仇 媛，常相茂*，仇 倩，彭 程，苏善婷

（1.南京航空航天大学计算机科学与技术学院，南京211106； 2.河北工业大学人工智能与数据科学学院，天津300401）

（∗通信作者电子邮箱xiangmaoch@nuaa.edu.cn）

0 引言

随着传感器、监视测量技术的广泛应用和网络交易、安全监控、电信管理等应用的不断发展，产生了大量高速实时数据的无界序列，称为数据流。这些数据流中的数据被称为流数据［1-2］。在对流数据的分析处理中，异常检测一直是被广大研究人员重点关注的领域，特别是工业设备的监控、军事项目管理或是网络安全监测等，如果异常没有被及时发现，更是可能会造成破坏性的后果［3］。现阶段，流数据的大量增加也为数据的异常检测提出了新的要求。

流数据通常数量巨大且生成迅速，因此要求针对它的异常检测方法必须是实时的；其次，系统的统计数据可能会随着时间的推移而发生变化，这种现象被称为概念漂移［1］。传统的利用正常数据训练完成的模型进行异常检测的方法不再适用，模型必须做到及时更新来保证模型的检测有效。本文提出了一种基于长短期记忆（Long Short-Term Memory，LSTM）网络的异常检测方法，通过LSTM网络进行数据预测和异常识别，并利用滑动窗口对预测差值进行分布建模，为每个数据分配更加精准的异常分数，从而实现更加精准的异常检测。

异常是与历史模式不一致或偏离预期的一般比较罕见的事件，以至于怀疑它是由与正常数据不同的机制产生的，而异常值检测就被定义为“发现”这些与其他观察结果偏离的观察结果。……