(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 202111666302.9 (22)申请日 2021.12.31 (71)申请人 哈尔滨工业大 学 （深圳） 地址 518000 广东省深圳市南 山区桃源街 道深圳大 学城哈尔滨工业大 学校区 (72)发明人 张春慨　左薇　韩培义　刘川意　 段少明　 (74)专利代理 机构 深圳市添源创鑫知识产权代 理有限公司 4 4855 代理人 朱丽萍 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 基于对比学习的异常检测方法、 系统及计算 机存储介质 (57)摘要 本发明提出了一种基于对比学习的异常检 测方法、 系统及计算机存储介质。 该方法包括异 常检测模型训练阶段和异常检测阶段， 其中异常 检测模型训练阶段提取输入样 本的特征向量， 并 对特征向量进行判别， 根据判别结果计算异常检 测模型的对比损失， 利用对比损失对异常检测模 型进行训练； 异常检测阶段将待检测样本集中的 样本输入训练好的异常检测模型， 将输出的判别 结果进行计算， 得到异常得分； 将所有样本的异 常得分进行归一化处理， 得到归一化异常得分， 通过设置归一化异常得分阈值， 判定样本是否异 常。 本发明在特征空间提取出有区分性的特征， 并且判别输出的异常得分具有高区分性， 在实际 生活中的数据集异常检测上相比其他方法有较 大提升。 权利要求书2页 说明书8页 附图2页 CN 114330572 A 2022.04.12 CN 114330572 A 1.一种基于对比学习的异常检测方法， 其特 征在于， 方法包括以下步骤： 异常检测模型训练 阶段： 异常检测模型包括特征提取编码器模块和判别器模块， 其中， 特征提取编 码器模块用于提取输入样本的特征向量， 判别器模块用于对特征提取模块输出 的特征向量进 行判别， 输出判别结果； 根据判别结果计算异常检测模 型的对比损失， 利用对 比损失对异常检测模型进行训练； 异常检测阶段： 将待检测样本集中的样本输入训练好的异常检测模型， 将特征提取编 码器模块得到的特征向量输入判别器模块， 将判别器模块输出的判别结果进行计算， 得到 异常得分； 将待测测样本集中所有样本的异常得分进 行归一化处理， 得到归一化异常得分， 通过设置归一 化异常得分阈值， 判定样本是否异常。 2.根据权利要求1所述的异常检测方法， 其特征在于， 特征提取编码器模块用于提取输 入样本的特 征向量， 具体包括： 特征提取编码器模块包括两个线性全连接网络和编码器， 输入样本经编码器输出后， 两个线性全连接网络分别对编码器输出计算均值和方差， 对均值和方差添加随机噪声， 得 到特征向量。 3.根据权利要求2所述的异常检测方法， 其特征在于， 判别器模块包括三个部分： 判别 网络Dxz、 判别网络Dzz、 判别网络Dzf， 其中， 判 别网络Dxz对(x， z)组成的样本对进行判 别； 判别 网络Dzz对(z， z)组成的样本对进行判别； 判别网络Dzf对(z， f)组成的样本对进行判别， x表 示输入样本， z表示特征提取编码器模块输出的特征向量， f表示特征提取编码器模块中编 码器输出向量。 4.根据权利要求3所述的异常检测方法， 其特征在于， 判别器模块中将正常样本和正常 样本对应的特征向量组成正样本对， 将正常样本和异常样本对应的特征向量组成负样本 对， 判别网络Dxz中正样本对(xnor， znor)对应的输出概率设置为1， 负样本对(xnor， zano)对应的 输出概率设置为0； 判别网络Dzz中正样本对(znor， znor)对应的输出概率设置为1， 负样本对 (znor， zano)对应的输出概率设置为0； 判别网络Dzf中正样本对(znor， fnor)对应的输出概率设 置为1， 负样本对(znor， fano)对应的输 出概率设置为0； 其中， xnor表示正常样本， znor表示正常 样本的特征向量， zano表示异常样 本的特征向量， fnor表示正常样 本对应的编码器输出向量， fano表示异常样本对应的编码器输出向量。 5.根据权利要求4所述的异常检测方法， 其特征在于， 异常检测阶段异常得分的具体表 达式为： Anoscorei＝‑(Dxz(xi， zi)+Dzz(zi， zi)+Dzf(zi， fi))， 其中Dxz(xi， zi)、 Dzz(zi， zi)、 Dzf (zi， fi)分别为判别网络Dxz、 判别网络Dzz、 判别网络Dzf对样本xi的输出。 6.根据权利要求5所述的异常检测方法， 其特征在于， 归一化处理得到归一化异常得分 Anoscore ′i具体表达式为 ： 其中min (Anoscore)为待检测样本集中最小的异常得分， max(Anoscore)为待检测样本集中最大的 异常得分。 7.一种基于对比学习的异常检测系统， 其特 征在于， 系统包括： 异常检测模型训练单元， 用于对异常检测模型进行训练， 异常检测模型包括特征提取 编码器模块和判别器模块， 其中， 特征提取编 码器模块用于提取输入样本的特征向量， 判别 器用于对特征提取模块输出 的特征向量进行判别， 输出判别结果； 根据判别结果计算异常权　利　要　求　书 1/2 页 2 CN 114330572 A 2检测模型的对比损失， 利用对比损失对异常检测模型进行训练； 异常检测单元， 用于对待检测样本集中的样本进行异常检测， 将待检测样本集中的样 本输入训练好的异常检测模型， 将特征提取编码器模块得到的特征向量输入判别器模块， 将判别器模块输出 的判别结果进行计算， 得到异常得分； 将待测测样本集中所有样本的异 常得分进 行归一化处理， 得到归一化异常得分， 通过设置归一化异常得分阈值， 判定样 本是 否异常。 8.根据权利要求7所述的异常检测系统， 其特征在于， 特征提取编码器模块包括两个线 性全连接网络和编码器， 输入样本经编码器输出后， 两个线性全连接网络分别对编码器输 出计算均值和方差， 对均值和方差添加随机噪声， 得到特 征向量。 9.一种基于对比学习的异常检测系统， 其特征在于， 包括： 处理器； 以及存储器， 其中， 所述存储器中存储有计算机可执行程序， 当由所述处理器执行所述计算机可执行程序时， 执行权利要求1 ‑6中任一项所述的基于对比学习的异常检测方法。 10.一种计算机可读介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序被处 理器执行时实现如权利要求1 ‑6中任一项所述的基于对比学习的异常检测方法。权　利　要　求　书 2/2 页 3 CN 114330572 A 3