多变量图注意力异常检测模型

F1分数提升21.46%

一种将图注意力机制与生成对抗网络融合的无监督模型，通过综合分析重构、判别与预测误差提升云环境中多变量时序异常检测的准确性，适应复杂节点关系。

Yue, He · 陈晓亮 · 苗夺谦 · 张红云 · 秦小林 · Shangyi, Du · Lu, Peng

Expert Systems with Applications 2025

参数信息

精确率提升

17.93 %

技术优势

误报更少

通过综合分析重构、判别与预测误差，模型能更全面地识别异常，平均精确率提升17.93%。

召回率提高17.88%

图注意力机制与LSTM结合，有效捕捉复杂节点关系，平均召回率提升17.88%。

F1分数提升21.46%

精确率与召回率同时提升，使得F1分数平均提高21.46%。

应用场景

• 云系统运维：实时监控云平台多变量指标，及时捕捉异常并减少误报。
• 网络安全监控：检测网络流量中的异常模式，辅助识别潜在攻击行为。
• 智能运维：为智能运维提供高精度无监督异常检测核心组件。
• 异常检测：提升多变量时序异常检测的精确率与召回率。
• 工业设备监控：通过多传感器时序分析提前发现设备异常征兆。