卫星多维遥测序列异常检测模型构建方法及装置、异常检测方法及装置

　　1、近年来，深度学习模型已成为多维遥测序列异常检测的热门方法。在这方面，kyle等人提出了一种基于长短期记忆网络(lstms)的非参数动态阈值方法，用于检测航天器异常。该方法利用lstm网络的记忆和序列建模能力，来捕捉遥测数据中的正常模式，并通过比较观测到的遥测数据与lstm模型的预测输出来识别异常行为。然而，该方法主要设计用于建模时间依赖关系，忽略了空间特征之间的相关性。

　　2、为了解决这个问题，提出了结合transformer的图学习(gta)异常检测框架，该框架包括自动学习图结构、图卷积和使用基于transformer的架构来建模多维遥测序列的时间依赖性。然而，当空间相关性复杂且非线性时，学习图结构不能很好地检测微妙的异常，并且无法有效地对空间特征之间的依赖关系进行建模。

　　3、另一种称为注意力时序卷积网络(atcn)的方法专注于检测实体级别的异常。它利用时序卷积神经网络和动态图注意力技术来建模空间特征之间的依赖关系。然而，该方法缺乏显式的低维时间嵌入，并且对每个遥测实体建立模型也导致对涉及每个通道中微小异常的检测能力较弱。

　　4、另一种无监督方法称为interfusion，它基于变分自编码器(vae)和马尔可夫链蒙特卡罗(mcmc)。该方法通过学习稳健的多维时间序列表征对时间序列数据内部的正常模式进行建模。该方法对于连续数据类型具有较高准确性和鲁棒性。然而，在处理遥测数据和遥控指令等混合数据类型时，该方法不适合对空间特征之间的复杂的、非线性相关性进行建模。

　　5、对于在轨道上运行的卫星，遥测数据是按时间顺序采集的。复杂的系统设计对系统性能产生影响，使得遥测序列具有空间相关性的特点。空间和时间相关性的变化可能导致遥测参数异常。然而，先前的研究工作主要集中在对遥测数据的时间或空间关系进行建模，这限制了模型学习遥测数据模式和异常检测能力。

　　6、作为一个复杂系统，遥测指令通常具有复杂的长期依赖关系对遥测数据产生影响。其中，遥测指令通常是由0和1构成的二进制序列表示的远程控制指令，而遥测数据则是通过传感器收集到的系统状态和性能的连续反映。遥测数据的变化可能由特定的遥测指令引发或调节，并且指令和遥测序列数据之间的交互通常存在延迟。

　　7、因此，在设计遥测异常检测方法时，需要综合考虑时间依赖性、空间相关性以及指令与遥测序列之间的交互。一种潜在的方法是结合长短期记忆网络(lstm)和图卷积神经网络(gcn)，利用lstm网络来建模时间依赖关系，利用gcn网络来建模空间特征之间的关系。这种方法可以同时捕捉时间依赖关系和空间相关性，并且可以灵活地适应复杂系统中的不同类型的数据。

　　8、另一个方向是结合变分自编码器(vae)和图注意力机制，以建立一个能够处理混合数据类型和检测复杂空间相关性的模型。vae可以学习时间序列数据的低维表示，而图注意力机制可以动态地调整不同空间特征之间的关注度。

　　9、综上所述，对于遥测异常检测问题，在设计模型时需要综合考虑时间依赖性、空间相关性以及指令与遥测序列之间的交互。结合不同的深度学习技术，如lstm、gcn、vae和图注意力机制，可以构建更强大、准确且鲁棒的遥测异常检测模型。这些模型的发展将有助于提高卫星运行的可靠性和安全性，并促进航天器及其相关系统的性能优化。

　　10、然而，现有多维时间序列异常检测算法对遥测数据和控制命令之间复杂的交互和其依赖关系进行建模的能力并不出色。

　　1、针对现有技术中存在的，现有多维时间序列异常检测算法对遥测数据和控制命令之间复杂的交互和其依赖关系进行建模的能力并不出色的技术问题，本发明提供的技术方案为：

　　7、根据所述空间相关性的隐变量，得到所述遥测数据和重构数据之间的差异的步骤。

　　8、进一步，提供一个优选实施方式，通过卷积网络映射所述时间相关性的隐变量。

　　9、进一步，提供一个优选实施方式，通过反卷积网络得到重构输入信息的步骤。

　　10、进一步，提供一个优选实施方式，通过反卷积网络将所述时间相关性的隐变量映射回原始数据空间，得到重构输入信息。

　　11、进一步，提供一个优选实施方式，通过gru和注意力机制，得到空间相关性的隐变量。

　　12、基于同一发明构思，本发明还提供了卫星多维遥测序列异常检测模型构建装置，所述装置包括：

　　17、根据所述空间相关性的隐变量，得到所述遥测数据和重构数据之间的差异的模块。

　　18、基于同一发明构思，本发明还提供了卫星多维遥测序列异常检测方法，所述方法包括：

　　20、根据所述的卫星多维遥测序列异常检测模型构建方法，得到所述序列的遥测数据和重构数据之间的差异的步骤。

　　21、基于同一发明构思，本发明还提供了卫星多维遥测序列异常检测装置，所述装置包括：

　　23、根据所述的卫星多维遥测序列异常检测模型构建装置，得到所述序列的遥测数据和重构数据之间的差异的模块。

　　24、基于同一发明构思，本发明还提供了计算机储存介质，用于储存计算机程序，当所述程序被计算机读取时，所述计算机执行所述的方法。

　　25、基于同一发明构思，本发明还提供了计算机，包括处理器和储存介质，当所述处理器读取所述储存介质中储存的计算机程序时，所述计算机执行所述的方法。

　　27、本发明提供的卫星多维遥测序列异常检测方法，具有两个随机隐变量的分层变分自编码器旨在用于对多维遥测序列的空间和时间相关性进行建模。

　　28、本发明提供的卫星多维遥测序列异常检测方法，集成了基于gru神经网络的自注意力机制，以增强模型处理遥测数据对远程控制命令长期依赖关系的能力。

　　29、本发明提供的卫星多维遥测序列异常检测方法，适合应用于航天器遥测序列异常检测的工作中。

　　2.根据权利要求1所述的卫星多维遥测序列异常检测模型构建方法，其特征在于，通过卷积网络映射所述时间相关性的隐变量。

　　3.根据权利要求1所述的卫星多维遥测序列异常检测模型构建方法，其特征在于，通过反卷积网络得到重构输入信息的步骤。

　　4.根据权利要求3所述的卫星多维遥测序列异常检测模型构建方法，其特征在于，通过反卷积网络将所述时间相关性的隐变量映射回原始数据空间，得到重构输入信息。

　　5.根据权利要求1所述的卫星多维遥测序列异常检测模型构建方法，其特征在于，通过gru和注意力机制，得到空间相关性的隐变量。

　　9.计算机储存介质，用于储存计算机程序，其特征在于，当所述程序被计算机读取时，所述计算机执行权利要求1-5或7所述的方法。

　　10.计算机，包括处理器和储存介质，其特征在于，当所述处理器读取所述储存介质中储存的计算机程序时，所述计算机执行权利要求1-5或7所述的方法。

　　卫星多维遥测序列异常检测模型构建方法及装置、异常检测方法及装置，涉及数据处理及检测领域。针对现有技术中存在的，现有多维时间序列异常检测算法对遥测数据和控制命令之间复杂的交互和其依赖关系进行建模的能力并不出色的技术问题，本发明提供的技术方案为：卫星多维遥测序列异常检测模型构建方法，方法包括：采集遥测数据的步骤；将数据映射为时间相关性的隐变量的步骤；根据时间相关性的隐变量，得到重构输入数据的步骤；根据重构输入数据，得到空间相关性的隐变量的步骤；根据空间相关性的隐变量，得到遥测数据和重构数据之间的差异的步骤。本发明提供的卫星多维遥测序列异常检测方法，适合应用于航天器遥测序列异常检测的工作中。

　　1.计算机网络安全 2.计算机仿线.网络安全；物联网安全 、大数据安全 2.安全态势感知、舆情分析和控制 3.区块链及应用