本發(fā)明涉及信息數(shù)據(jù)處理，尤其涉及一種多元時(shí)間序列異常檢測(cè)擴(kuò)散模型動(dòng)態(tài)分割方法及系統(tǒng)。

背景技術(shù)：

1、時(shí)間序列異常檢測(cè)擴(kuò)散模型是一種人工智能模型。它旨在發(fā)現(xiàn)時(shí)間序列數(shù)據(jù)中的異常值，在工業(yè)控制、交通控制、醫(yī)療服務(wù)、金融風(fēng)控等領(lǐng)域都有著重要的應(yīng)用。然而，時(shí)間序列異常檢測(cè)擴(kuò)散模型通常參數(shù)量較大，進(jìn)而導(dǎo)致在資源受限的邊緣云中進(jìn)行檢測(cè)推理速度緩慢。而在云際環(huán)境中部署這樣的模型可以充分地利用各種異構(gòu)的云資源實(shí)現(xiàn)時(shí)間序列異常檢測(cè)模型的高效推斷。云際環(huán)境由異構(gòu)的云資源組成。在異構(gòu)的云資源中，靠近應(yīng)用場(chǎng)景的云具有有限的計(jì)算資源、存儲(chǔ)資源；而中心節(jié)點(diǎn)的云則具有豐富的計(jì)算、存儲(chǔ)資源。不同的云資源之間通過互聯(lián)網(wǎng)連接。

2、目前已有的多云環(huán)境中部署包括時(shí)間序列異常檢測(cè)模型在內(nèi)的深度學(xué)習(xí)模型的方法主要分為兩類：一是將模型完全卸載到高算力的云節(jié)點(diǎn)；二是利用模型壓縮、蒸餾等技術(shù)將模型完全部署在低算力的邊緣云節(jié)點(diǎn)。然而這兩種方法都存在缺陷。前者會(huì)引入較高的通信成本?？紤]到云之間通過互聯(lián)網(wǎng)的連接并不總是可靠，這種方法可能還會(huì)導(dǎo)致模型的可靠性下降。后者通過模型壓縮、蒸餾等技術(shù)將模型大小壓縮到可以部署在邊緣云節(jié)點(diǎn)上，這可能導(dǎo)致模型推理表現(xiàn)變差。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種多元時(shí)間序列異常檢測(cè)擴(kuò)散模型動(dòng)態(tài)分割方法及系統(tǒng)，用以解決現(xiàn)有技術(shù)中在云際環(huán)境部署時(shí)間序列異常檢測(cè)模型時(shí)存在資源分配不均、模型可靠性不高的缺陷。

2、第一方面，本發(fā)明提供一種多元時(shí)間序列異常檢測(cè)擴(kuò)散模型動(dòng)態(tài)分割方法，包括：

3、獲取當(dāng)前時(shí)刻云際網(wǎng)絡(luò)的網(wǎng)絡(luò)性能指標(biāo)集合；

4、利用所述網(wǎng)絡(luò)性能指標(biāo)集合，通過動(dòng)態(tài)分割算法在每個(gè)批次的推理任務(wù)中確定最優(yōu)分割點(diǎn)；

5、確定在所述最優(yōu)分割點(diǎn)之前的推斷在低性能節(jié)點(diǎn)上運(yùn)行，在所述最優(yōu)分割點(diǎn)之后的推斷在高性能節(jié)點(diǎn)上運(yùn)行。

6、根據(jù)本發(fā)明提供的一種多元時(shí)間序列異常檢測(cè)擴(kuò)散模型動(dòng)態(tài)分割方法，獲取當(dāng)前時(shí)刻云際網(wǎng)絡(luò)的網(wǎng)絡(luò)性能指標(biāo)集合，包括：

7、通過測(cè)試工具獲得高性能云推理時(shí)間與當(dāng)前分割點(diǎn)之間函數(shù)關(guān)系，以及低性能云推理時(shí)間與當(dāng)前分割點(diǎn)之間函數(shù)關(guān)系；

8、通過能耗監(jiān)控工具獲得高性能云推理能耗與當(dāng)前分割點(diǎn)之間函數(shù)關(guān)系，以及低性能云推理能耗與當(dāng)前分割點(diǎn)之間函數(shù)關(guān)系；

9、通過網(wǎng)絡(luò)監(jiān)控工具獲得當(dāng)前時(shí)刻云際網(wǎng)絡(luò)傳輸速率。

10、根據(jù)本發(fā)明提供的一種多元時(shí)間序列異常檢測(cè)擴(kuò)散模型動(dòng)態(tài)分割方法，利用所述網(wǎng)絡(luò)性能指標(biāo)集合，通過動(dòng)態(tài)分割算法在每個(gè)批次的推理任務(wù)中確定最優(yōu)分割點(diǎn)，包括：

11、步驟1：將當(dāng)前分割點(diǎn)和最優(yōu)分割點(diǎn)初始化為擴(kuò)散模型去噪過程中的總時(shí)間步，初始化最優(yōu)分割點(diǎn)對(duì)應(yīng)的推理綜合成本；

12、步驟2：更新當(dāng)前分割點(diǎn)為下一個(gè)時(shí)間步；

13、步驟3：計(jì)算當(dāng)前分割點(diǎn)對(duì)應(yīng)的推理綜合成本，若確定當(dāng)前分割點(diǎn)對(duì)應(yīng)的推理綜合成本小于最優(yōu)分割點(diǎn)對(duì)應(yīng)的推理綜合成本，則更新最優(yōu)分割點(diǎn)和最優(yōu)分割點(diǎn)對(duì)應(yīng)的推理綜合成本，否則不進(jìn)行更新；

14、步驟4：重復(fù)步驟2和步驟3，直至更新后的當(dāng)前分割點(diǎn)等于0。

15、根據(jù)本發(fā)明提供的一種多元時(shí)間序列異常檢測(cè)擴(kuò)散模型動(dòng)態(tài)分割方法，計(jì)算當(dāng)前分割點(diǎn)對(duì)應(yīng)的推理綜合成本，包括：

16、獲取中間變量傳輸時(shí)間，由所述中間變量傳輸時(shí)間、所述高性能云推理時(shí)間與當(dāng)前分割點(diǎn)之間函數(shù)關(guān)系、所述低性能云推理時(shí)間與當(dāng)前分割點(diǎn)之間函數(shù)關(guān)系、高性能云推理時(shí)間與當(dāng)前分割點(diǎn)之間函數(shù)關(guān)系對(duì)應(yīng)的初始分割點(diǎn)值和低性能云推理時(shí)間與當(dāng)前分割點(diǎn)之間函數(shù)關(guān)系對(duì)應(yīng)的初始分割點(diǎn)值，得到標(biāo)準(zhǔn)化推理時(shí)間；

17、由所述高性能云推理能耗與當(dāng)前分割點(diǎn)之間函數(shù)關(guān)系、所述低性能云推理能耗與當(dāng)前分割點(diǎn)之間函數(shù)關(guān)系、高性能云推理能耗與當(dāng)前分割點(diǎn)之間函數(shù)關(guān)系對(duì)應(yīng)的初始分割點(diǎn)值和低性能云推理能耗與當(dāng)前分割點(diǎn)之間函數(shù)關(guān)系對(duì)應(yīng)的初始分割點(diǎn)值，得到標(biāo)準(zhǔn)化能耗成本；

18、確定能耗權(quán)重和推理時(shí)間權(quán)重，基于所述能耗權(quán)重、所述標(biāo)準(zhǔn)化能耗成本、所述推理時(shí)間權(quán)重和所述標(biāo)準(zhǔn)化推理時(shí)間進(jìn)行加權(quán)求和，得到所述當(dāng)前分割點(diǎn)對(duì)應(yīng)的推理綜合成本。

19、根據(jù)本發(fā)明提供的一種多元時(shí)間序列異常檢測(cè)擴(kuò)散模型動(dòng)態(tài)分割方法，確定在所述最優(yōu)分割點(diǎn)之前的推斷在低性能節(jié)點(diǎn)上運(yùn)行，在所述最優(yōu)分割點(diǎn)之后的推斷在高性能節(jié)點(diǎn)上運(yùn)行，包括：

20、將所述最優(yōu)分割點(diǎn)之前的多元時(shí)間序列數(shù)據(jù)輸入部署在低性能節(jié)點(diǎn)上的擴(kuò)散模型，輸出中間變量；

21、將所述最優(yōu)分割點(diǎn)之前的多元時(shí)間序列數(shù)據(jù)輸入部署在高性能節(jié)點(diǎn)上的擴(kuò)散模型，接收到所述中間變量后完成去噪迭代過程，輸出異常檢測(cè)結(jié)果。

22、第二方面，本發(fā)明還提供一種多元時(shí)間序列異常檢測(cè)擴(kuò)散模型動(dòng)態(tài)分割系統(tǒng)，包括：

23、獲取模塊，用于獲取當(dāng)前時(shí)刻云際網(wǎng)絡(luò)的網(wǎng)絡(luò)性能指標(biāo)集合；

24、計(jì)算模塊，用于利用所述網(wǎng)絡(luò)性能指標(biāo)集合，通過動(dòng)態(tài)分割算法在每個(gè)批次的推理任務(wù)中確定最優(yōu)分割點(diǎn)；

25、分割模塊，用于確定在所述最優(yōu)分割點(diǎn)之前的推斷在低性能節(jié)點(diǎn)上運(yùn)行，在所述最優(yōu)分割點(diǎn)之后的推斷在高性能節(jié)點(diǎn)上運(yùn)行。

26、第三方面，本發(fā)明還提供一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如上述任一種所述多元時(shí)間序列異常檢測(cè)擴(kuò)散模型動(dòng)態(tài)分割方法。

27、第四方面，本發(fā)明還提供一種非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上述任一種所述多元時(shí)間序列異常檢測(cè)擴(kuò)散模型動(dòng)態(tài)分割方法。

28、本發(fā)明提供的多元時(shí)間序列異常檢測(cè)擴(kuò)散模型動(dòng)態(tài)分割方法及系統(tǒng)，通過選取擴(kuò)散模型迭代過程中的時(shí)間步作為分割點(diǎn)，不影響擴(kuò)散模型原有的結(jié)構(gòu)，進(jìn)而保證了模型的推理準(zhǔn)確率，并通過綜合考慮推理速度與能耗的多優(yōu)化目標(biāo)約束下的動(dòng)態(tài)分割算法，在每批次的推理任務(wù)中，動(dòng)態(tài)分割算法將依據(jù)優(yōu)化目標(biāo)函數(shù)，找出最優(yōu)的分割點(diǎn)。使用者可以依據(jù)使用偏好，靈活地調(diào)整推理速度與能耗的權(quán)重，實(shí)現(xiàn)預(yù)期的最優(yōu)平衡目標(biāo)。

技術(shù)特征：

1.一種多元時(shí)間序列異常檢測(cè)擴(kuò)散模型動(dòng)態(tài)分割方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的多元時(shí)間序列異常檢測(cè)擴(kuò)散模型動(dòng)態(tài)分割方法，其特征在于，獲取當(dāng)前時(shí)刻云際網(wǎng)絡(luò)的網(wǎng)絡(luò)性能指標(biāo)集合，包括：

3.根據(jù)權(quán)利要求2所述的多元時(shí)間序列異常檢測(cè)擴(kuò)散模型動(dòng)態(tài)分割方法，其特征在于，利用所述網(wǎng)絡(luò)性能指標(biāo)集合，通過動(dòng)態(tài)分割算法在每個(gè)批次的推理任務(wù)中確定最優(yōu)分割點(diǎn)，包括：

4.根據(jù)權(quán)利要求3所述的多元時(shí)間序列異常檢測(cè)擴(kuò)散模型動(dòng)態(tài)分割方法，其特征在于，計(jì)算當(dāng)前分割點(diǎn)對(duì)應(yīng)的推理綜合成本，包括：

5.根據(jù)權(quán)利要求1所述的多元時(shí)間序列異常檢測(cè)擴(kuò)散模型動(dòng)態(tài)分割方法，其特征在于，確定在所述最優(yōu)分割點(diǎn)之前的推斷在低性能節(jié)點(diǎn)上運(yùn)行，在所述最優(yōu)分割點(diǎn)之后的推斷在高性能節(jié)點(diǎn)上運(yùn)行，包括：

6.一種多元時(shí)間序列異常檢測(cè)擴(kuò)散模型動(dòng)態(tài)分割系統(tǒng)，其特征在于，包括：

7.一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如權(quán)利要求1至5任一項(xiàng)所述多元時(shí)間序列異常檢測(cè)擴(kuò)散模型動(dòng)態(tài)分割方法。

8.一種非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至5任一項(xiàng)所述多元時(shí)間序列異常檢測(cè)擴(kuò)散模型動(dòng)態(tài)分割方法。

技術(shù)總結(jié)
本發(fā)明提供一種多元時(shí)間序列異常檢測(cè)擴(kuò)散模型動(dòng)態(tài)分割方法及系統(tǒng)，包括：獲取當(dāng)前時(shí)刻云際網(wǎng)絡(luò)的網(wǎng)絡(luò)性能指標(biāo)集合；利用所述網(wǎng)絡(luò)性能指標(biāo)集合，通過動(dòng)態(tài)分割算法在每個(gè)批次的推理任務(wù)中確定最優(yōu)分割點(diǎn)；確定在所述最優(yōu)分割點(diǎn)之前的推斷在低性能節(jié)點(diǎn)上運(yùn)行，在所述最優(yōu)分割點(diǎn)之后的推斷在高性能節(jié)點(diǎn)上運(yùn)行。本發(fā)明在保證模型的推理準(zhǔn)確率的同時(shí)，實(shí)現(xiàn)推理速度與能耗之間的最優(yōu)解。

技術(shù)研發(fā)人員：馬超,陳嵐嵐,張典,石小川
受保護(hù)的技術(shù)使用者：武漢大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/23