(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111372050.9 (22)申请日 2021.11.18 (71)申请人 支付宝 （杭州） 信息技 术有限公司 地址 310000 浙江省杭州市西湖区西溪路 556号8层B段801-1 1 (72)发明人 胡文　于灏　俞宏远　李建国　 (74)专利代理 机构 北京亿腾知识产权代理事务 所(普通合伙) 11309 代理人 陈婧玥　周良玉 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) (54)发明名称 异常检测系统的更新方法及装置 (57)摘要 本说明书实施例提供一种异常检测系统的 更新方法， 所述异常检测系统中包括M个基础检 测模型。 该方法包括： 获取多个历史序列以及从 中选取出的N个典型序列， 各个历史序列包括对 应的按照时间顺序排列的L个指标值； 将各个历 史序列依次作为查询序列， 并确定该查询序列针 对N个典型序列的N个查询权重； 针对N个典型序 列中的各个典型序列， 利用上述M个基础检测模 型分别对其进行异常检测， 得到M个检测结果， 并 对该M个检测结果进行融合， 得到该典型序列对 应的融合检测结果； 利用N个查询权重， 对N个典 型序列对应的N个融合检测结果进行加权处理， 得到查询序列对应的加权结果； 基于该加权结果 和查询序列对应的异常类别标签， 更新上述异常 检测系统。 权利要求书4页 说明书9页 附图3页 CN 114139613 A 2022.03.04 CN 114139613 A 1.一种异常检测系统 的更新方法， 所述异常检测系统中包括M个基础检测模型， 所述方 法包括： 获取多个历史序列以及从中选取出的N个典型序列， 各个历史序列包括对应的按照 时 间顺序排列的L个指标值； 将所述各个历史序列依次作为查询序列， 并确定该查询序列针对所述N个典型序列的N 个查询权 重； 针对所述N个典型序列中的各个典型序列， 利用所述M个基础检测模型分别对其进行异 常检测， 得到M个检测结果， 并对该M个检测结果进 行融合， 得到该典型序列对应的融合检测 结果； 利用所述N个查询权重， 对所述N个典型序列对应的N个 融合检测结果进行加权处理， 得 到所述查询序列对应的加权结果； 基于所述加权结果和所述 查询序列对应的异常类别标签， 更新所述异常检测系统。 2.根据权利要求1所述的方法， 其中， 获取多个历史序列包括： 获取按照预定时间 间隔针对特定指标 连续采集的多个指标值， 形成历史总序列； 针对所述多个指标值中的各个指标值， 在所述历史总序列中自该指标值起向前回溯L 个指标值， 从而形成该指标值对应的历史序列。 3.根据权利要求2所述的方法， 其中， 在基于所述加权结果和所述查询序列对应的异常 类别标签， 更新所述异常检测系统之前， 所述方法还 包括： 获取所述多个指标值对应的多个异常类别标签； 在所述形成该指标值对应的历史序列后， 将该指标值对应的异常类别标签， 作为该历 史序列对应的异常类别标签。 4.根据权利要求1或2所述的方法， 其中， 获取多个历史序列以及从中选取出的N个典型 序列， 包括： 获取所述多个历史序列； 对所述多个历史序列进行聚类处 理， 得到N个聚类中心， 作为所述 N个典型序列。 5.根据权利要求1所述的方法， 其中， 确定该查询序列针对所述N个典型序列的N个查询 权重， 包括： 计算所述 查询序列 与所述N个典型序列之间的N个相似度； 基于所述 N个相似度， 确定所述 N个查询权 重。 6.根据权利要求5所述的方法， 其中， 计算所述查询序列与所述N个典型序列之间的N个 相似度， 包括： 计算所述查询序列对应的嵌入向量与所述各个典型序列对应的嵌入向量之间的点积， 作为对应的相似度。 7.根据权利要求5所述的方法， 其中， 基于所述N个相似度， 确定所述N个查询权重， 包 括： 对所述N个相似度进行归一 化处理， 得到所述 N个查询权 重。 8.根据权利要求1所述的方法， 其中， 所述异常检测系统中还包括模型权重学习 网络； 其中， 对该M个 检测结果进行融合， 得到该典型序列对应的融合检测结果， 包括： 针对所述M个基础检测模型中的各个基础检测模型， 将其针对所述N个典型序列的N个权　利　要　求　书 1/4 页 2 CN 114139613 A 2检测结果输入所述模型权 重学习网络， 得到其对应的模型权 重； 利用所述M个基础检测模型对应的M个模型权重， 对所述M个检测结果进行加权处理， 得 到所述融合检测结果。 9.根据权利要求8所述的方法， 其中， 所述各个基础检测模型输出的检测结果为L维向 量， 其中各个向量元素指示输入序列中的对应指标值是否为异常值； 所述模型权重学习网 络包括池化层、 第一全连接层、 激活层、 第二全连接层和权 重预测层； 其中， 针对所述M个基础检测模型中的各个基础检测模型， 将其针对所述N个典型序列 的N个检测结果输入所述模型权 重学习网络， 得到其对应的模型权 重， 包括： 在所述池化层， 对所述N个检测结果对应的N个L维向量分别进行池化处理， 得到N维向 量； 在所述第一全连接层， 利用第一 参数矩阵对该N维向量进行降维处 理； 在所述激活层， 对所述降维处 理后的向量进行激活 处理； 在所述第二全连接层， 利用第二 参数矩阵将所述激活 处理得到的向量降维为标量 值； 在所述权 重预测层， 利用sigmo id函数处 理所述标量 值， 得到所述第二权 重。 10.根据权利要求8所述的方法， 其中， 利用所述M个基础检测模型对应的M个模型权重， 对所述M个 检测结果进行加权处 理， 得到所述融合检测结果， 包括： 利用所述M个模型权 重对所述M个 检测结果进行加权处 理， 得到M个加权项； 对所述M个加权项 进行拼接， 得到所述融合检测结果。 11.根据权利要求1所述的方法， 其中， 所述异常检测系统中还包括输出层； 其中， 基于 所述加权结果和所述 查询序列对应的异常类别标签， 更新所述异常检测系统， 包括： 在所述输出层， 利用其中的参数矩阵对所述加权结果进行线性变换， 并利用softmax函 数处理所述线性变换的结果， 从而得到所述 查询历史序列对应的异常检测结果； 基于所述异常检测结果和异常类别标签， 更新所述异常检测系统中的模型参数。 12.一种异常检测系统的更新装置， 所述异常检测系统中包括M个基础检测模型， 所述 装置包括： 序列获取单元， 配置为获取多个历史序列以及从中选取出的N个典型序列， 各个历史序 列包括对应的按照时间顺序排列的L个指标值； 查询权重确定单元， 配置为将所述各个历史序列依次作为查询序列， 并确定该查询序 列针对所述 N个典型序列的N个查询权 重； 融合结果确定单元， 配置为针对所述N个典型序列中的各个典型序列， 利用所述M个基 础检测模型分别对其进 行异常检测， 得到M个检测结果， 并对 该M个检测结果进 行融合， 得到 该典型序列对应的融合检测结果； 加权结果确定单元， 配置为利用所述N个查询权重， 对所述N个典型序列对应的N个 融合 检测结果进行加权处 理， 得到所述 查询序列对应的加权结果； 参数更新单元， 配置为基于所述加权结果和所述查询序列对应的异常类别标签， 更新 所述异常检测系统。 13.根据权利要求12所述的装置， 其中， 所述序列获取 单元具体配置为： 获取按照预定时间 间隔针对特定指标 连续采集的多个指标值， 形成历史总序列； 针对所述多个指标值中的各个指标值， 在所述历史总序列中自该指标值起向前回溯L权　利　要　求　书 2/4 页 3 CN 114139613 A 3