计算机研究与发展

作者：王泽南,王意洁,周小晖,熊旭东,

关键词：多维时间序列, 无监督异常检测, 多窗口划分, 集成学习, 大语言模型,

大语言模型时代下，大语言模型的训练和推理需要算力资源的支撑，其中针对算力资源指标数据的异常检测能够有效保障大语言模型的正常训练和推理.随着大语言模型参数的增加，大语言模型使用的算力资源规模日益扩大，其中反映算力运行状态的多类指标数据随着时间推移呈现出更复杂的时序周期性变化.现有的多维时序异常检测方法通常采用预设的窗口大小对多维时序数据进行滑动切片，但忽略不同维度周期特性的统一窗口划分会截断部分维度时序数据的完整周期性模式，阻碍了异常检测模型对多维时序数据正常模式的学习，导致异常检测效果变差.为了解决这一问题，提出了一种基于多窗口划分集成学习的无监督多维时序异常检测方法SELAD.具体地，首先利用傅里叶变换提取多维时序数据中各维度的周期性模式，并鉴于此信息进行多窗口划分，以保留各维度数据的完整周期性模式.在模型训练过程中，大语言模型参数量巨大的特点可以解决传统模型在滑动窗口增大后出现记忆瓶颈导致的学习效果变差的问题.通过设计一种混合专家模型将保留完整周期划分的时序数据输入融合大模型和LSTM模型的集成学习框架进行训练，以学习并重构各维度的正常时序模式.最终，基于重构误差检测多维时间序列数据中的异常.通过在4个多维时间序列数据集上实验，SELAD在平均F1分数上相比现有方法提升了17.87~90.77个百分点.

来源：2025年第12期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2025年第12期