买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜西华大学申请的专利基于并联图注意力网络的云平台系统异常检测方法及装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115758173B 。

龙图腾网通过国家知识产权局官网在2023-09-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211435387.4，技术领域涉及：G06F18/22；该发明授权基于并联图注意力网络的云平台系统异常检测方法及装置是由陈鹏;宋雨佳;赵志明;辛茹月;单文煜;陈娟设计研发完成，并于2022-11-16向国家知识产权局提交的专利申请。

本基于并联图注意力网络的云平台系统异常检测方法及装置在说明书摘要公布了：本发明公开了基于并联图注意力网络的云平台系统异常检测方法及装置，涉及计算机技术领域，方法包括S1构建异常检测模型，异常检测模型包括输入层、一维卷积层、两个图神经网络层、多头自注意层、自回归层和输出层；S2获取数据集，并导入到异常检测模型；S3根据数据集对异常检测模型进行训练优化，获得优化后的异常检测模型；S4获取待分析数据并导入到优化后的异常检测模型，获得预测结果；S5根据预测结果得到异常检测结果；利用图注意力网络分别挖掘多变量时间序列中面向特征维度和面向时间维度的相互依赖性，减少了因为云平台系统性能不规则波动导致的假阳性检测；利用多头自注意力机制和自回归模型学习数据特征，提高了异常检测的鲁棒性。

本发明授权基于并联图注意力网络的云平台系统异常检测方法及装置在权利要求书中公布了：1.基于并联图注意力网络的云平台系统异常检测方法，其特征在于，包括：S1、构建异常检测模型，异常检测模型包括输入层、一维卷积层、两个图神经网络层、多头自注意层、自回归层和输出层，输入层用于输入待预测数据，两个图神经网络层分别用于提取待预测数据的特征相关性矩阵和时间相关性矩阵，输出层用于集成多头自注意层和自回归层的输出并得到预测结果，输入层的输出分别与一维卷积层和自回归层连接，一维卷积层的输出分别与两个图神经网络层和多头自注意层连接，两个图神经网络层的输出均与多头自注意层连接，多头自注意层的输出和自回归层的输出均与输出层连接；S2、获取数据集，并导入到异常检测模型；S3、根据数据集对异常检测模型进行训练优化，获得优化后的异常检测模型；训练异常检测模型包括：a、将待预测数据通过一维卷积层提取每个时间序列的高维特征，并通过自回归层得到第一预测值，高维特征包括时间维度和特征维度，其中n为滑动窗口中的时间戳数；b、提取的高维特征输入到两个图神经网络层分别得到特征相关性矩阵和时间相关性矩阵；具体为：利用向量之间的内积来计算面向特征维度和面向时间维度的相关性，特征表示为，时间相关性表示为，将向量之间的相关性作为图神经网络中节点之间的权重，然后计算每个节点的输出代表，特征输出代表为，时间输出代表为，得到时间相关性和特征相关性的输出，最终分别得到特征相关性矩阵和时间相关性矩阵；c、将特征相关性矩阵、时间相关性矩阵与提取的高维特征进行拼接融合，得到融合矩阵，形成具有n×3m形状的矩阵，其中每行表示每个时间戳的3m维特征向量；d、融合矩阵输入到多头自注意层，设置M个头来学习数据中的上下文信息，其中M是多元时间序列中的特征数，然后对时间序列中t时刻的x值进行预测得到第二预测值；e、第一预测值和第二预测值输入到输出层进行集成，并的到预测结果，表示为，其中α为用于调节非线性预测和线性预测的结果权重；f、利用均方根误差作为异常检测模型的损失函数，对异常检测模型进行训练优化，损失函数表示为；S4、获取待分析数据并导入到优化后的异常检测模型，获得预测结果；S5、根据预测结果得到异常检测结果，异常检测结果的分数计算公式为。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西华大学，其通讯地址为：610000 四川省成都市金牛区土桥金周路999号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。