CN116933035A - 数据异常检测方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种数据异常检测方法、装置、计算机设备和存储介质，涉及人工智能技术领域，可应用于金融领域或者其他技术领域。所述方法包括：根据待检测的目标交易数据的目标获取时间，对目标交易数据进行处理，得到包含时间特征的目标多维数据，通过异常检测模型，对目标多维数据进行异常检测，得到目标交易数据的异常检测结果。采用本方法能够提高数据异常检测的准确性。

Description

数据异常检测方法、装置、计算机设备和存储介质

技术领域

本申请涉及人工智能技术领域，特别是涉及一种数据异常检测方法、装置、计算机设备和存储介质，可应用于金融领域或者其他技术领域。

背景技术

随着金融领域的发展，与金融领域相关交易数据的数据量也急剧上升，为了对交易数据进行检测，出现了数据异常检测方法。能够将标记过的历史交易数据作为样本数据，对数据异常检测模型进行训练，随后通过数据异常检测模型对交易数据进行检测。

然而，由于交易数据会根据外界因素进行波动，采用目前的数据异常检测方法，仅依靠交易数据本身对交易数据进行异常检测，会降低数据异常检测的准确性，亟需改进。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高数据异常检测准确性的数据异常检测方法、装置、计算机设备和存储介质。

第一方面，本申请提供了一种数据异常检测方法，该方法包括：

根据待检测的目标交易数据的目标获取时间，对目标交易数据进行处理，得到包含时间特征的目标多维数据；

通过异常检测模型，对目标多维数据进行异常检测，得到目标交易数据的异常检测结果。

在其中一个实施例中，根据待检测的目标交易数据的目标获取时间，对目标交易数据进行处理，得到包含时间特征的目标多维数据，包括：

对待检测的目标交易数据的目标获取时间和目标交易数据进行拼接，得到包含时间特征的目标多维数据。

在其中一个实施例中，异常检测模型的构建方式为：

基于至少两个初始聚类中心，对样本多维数据集中的各样本多维数据进行聚类，得到各初始聚类中心对应的数据簇；根据各数据簇中所包含的样本多维数据的均值，确定各数据簇对应的参考聚类中心；若任一数据簇对应的初始聚类中心与参考聚类中心之间的距离，大于第一预设距离阈值，则将各参考聚类中心作为新的初始聚类中心，返回执行基于至少两个初始聚类中心，对样本多维数据集中的各样本多维数据进行聚类，得到各初始聚类中心对应的数据簇的操作，直至任一数据簇对应的初始聚类中心与参考聚类中心之间的距离，均小于第一预设距离阈值，将各参考聚类中心作为模型聚类中心；根据模型聚类中心，构建异常检测模型。

在其中一个实施例中，通过异常检测模型，对目标多维数据进行异常检测，得到目标交易数据的异常检测结果，包括：

从异常检测模型的各模型聚类中心中，选择距离目标多维数据最近的模型聚类中心，作为目标聚类中心；若目标聚类中心与目标多维数据之间的距离，大于第二预设距离阈值，则对目标多维数据进行异常验证，得到目标交易数据的异常检测结果。

在其中一个实施例中，对目标多维数据进行异常验证，得到目标交易数据的异常检测结果，包括：

确定目标聚类中心与目标多维数据在各数据维度下的维度距离值；按照从大到小的顺序，根据各维度距离值，对各数据维度进行排序；根据排序结果，将排序在前的预设数量个数据维度作为异常数据维度；根据异常数据维度对应的维度距离值，对目标多维数据进行异常验证，得到目标交易数据的异常检测结果。

在其中一个实施例中，根据异常数据维度对应的维度距离值，对目标多维数据进行异常验证，得到目标交易数据的异常检测结果，包括：

根据异常数据维度的维度权重，对异常数据维度对应的维度距离值进行加权处理，得到异常数据维度的异常值；根据异常数据维度的异常值，确定目标多维数据的异常值；若目标多维数据的异常值，大于预设异常阈值，则确定目标交易数据的异常检测结果为数据异常。

第二方面，本申请还提供了一种数据异常检测装置，该装置包括：

数据处理模块，用于根据待检测的目标交易数据的目标获取时间，对目标交易数据进行处理，得到包含时间特征的目标多维数据；

异常检测模块，用于通过异常检测模型，对目标多维数据进行异常检测，得到目标交易数据的异常检测结果。

第三方面，本申请还提供了一种计算机设备，该计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

根据待检测的目标交易数据的目标获取时间，对目标交易数据进行处理，得到包含时间特征的目标多维数据；

通过异常检测模型，对目标多维数据进行异常检测，得到目标交易数据的异常检测结果。

第四方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

根据待检测的目标交易数据的目标获取时间，对目标交易数据进行处理，得到包含时间特征的目标多维数据；

通过异常检测模型，对目标多维数据进行异常检测，得到目标交易数据的异常检测结果。

第五方面，本申请还提供了一种计算机程序产品，该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

根据待检测的目标交易数据的目标获取时间，对目标交易数据进行处理，得到包含时间特征的目标多维数据；

通过异常检测模型，对目标多维数据进行异常检测，得到目标交易数据的异常检测结果。

上述数据异常检测方法、装置、计算机设备和存储介质，引入目标获取时间，通过目标交易数据的目标获取时间，对目标交易数据进行处理，得到包含时间特征的目标多维数据，随后通过异常检测模型，对目标多维数据进行异常检测，得到目标交易数据的异常检测结果。采用上述方法，相比于相关技术，能够从时间维度以及数值维度对目标交易数据进行挖掘，避免了时间波动对异常检测结果的影响，提高了数据异常检测的准确性。

附图说明

图1为一个实施例中数据异常检测方法的应用环境图；

图2为一个实施例中数据异常检测方法的流程示意图；

图3为一个实施例中构建异常检测模型的流程示意图；

图4为一个实施例中确定异常检测结果的流程示意图；

图5为一个实施例中异常验证的流程示意图；

图6为另一个实施例中数据异常检测方法的流程示意图；

图7为一个实施例中数据异常检测装置的结构框图；

图8为另一个实施例中数据异常检测装置的结构框图；

图9为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的数据异常检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。例如，目标交易数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。例如，服务器104根据待检测的目标交易数据的目标获取时间，对目标交易数据进行处理，得到包含时间特征的目标多维数据，通过异常检测模型，对目标多维数据进行异常检测，得到目标交易数据的异常检测结果；进一步的，服务器104将异常检测结果发送至终端102向运维方进行展示。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和物联网设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

随着金融领域的发展，与金融领域相关交易数据的数据量也急剧上升，为了对交易数据进行检测，出现了数据异常检测方法。能够将标记过的历史交易数据作为样本数据，对数据异常检测模型进行训练，随后通过数据异常检测模型对交易数据进行检测。

然而，由于交易数据会根据外界因素进行波动，采用目前的数据异常检测方法，仅依靠交易数据本身对交易数据进行异常检测，会降低数据异常检测的准确性。

基于此，在一个实施例中，如图2所示，提供了一种数据异常检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

S201，根据待检测的目标交易数据的目标获取时间，对目标交易数据进行处理，得到包含时间特征的目标多维数据。

其中，目标交易数据指的是目标业务在进行交易时产生的数据，可以包括但不限于交易量和交易成功率等类型数据；目标业务指的是机构中的任一金融业务；目标获取时间指的是获取目标交易数据的具体时间，可以包括但不限于年、月、周和时刻等；目标多维数据指的是包含多个数据维度的数据。

可选的，为了能够从多维度分析目标交易数据，可以将待检测的目标交易数据和目标交易数据的目标获取时间直接输入到数据融合模型中，由数据融合模型根据待检测的目标交易数据、目标交易数据的目标获取时间，以及模型参数，输出包含时间特征的目标多维数据。

或者，可以对待检测的目标交易数据的目标获取时间和目标交易数据进行拼接，得到包含时间特征的目标多维数据。

可选的，可以从目标获取时间中提取出多个维度的时间数据，随后将提取出的多个维度的时间数据，直接拼接到待检测的目标交易数据后，得到包含时间特征的目标多维数据。

示例性的，目标交易数据A为“交易量-100；交易成功率-90％”，目标交易数据A的目标获取时间为“2020年5月10日10:00”，可以从目标获取时间中提取出4个维度的时间数据，分别为“年-2020；月-5；周-2；时刻-40”，其中，“周”维度的提取方式为，从1日开始，将每7天划分为一周，因此10日为第2周；“时刻”维度的提取方式为从0:00开始，将每15分钟划分为一个时间段，因此10:00为第40个时间段。进一步的，将从目标获取时间中提取出4个维度的时间数据，与目标交易数据A进行拼接，即可得到目标多维数据A1，即“交易量-100；交易成功率-90％；年-2020；月-5；周-2；时刻-40”。

可以理解的是，目标业务的目标交易数据会根据时间的变化出现周期性的变化，例如，在某些固定时间段B内的交易量会激增，此时，若仅根据目标交易数据的数值对目标交易数据进行异常检测，会将固定时间段B内正常的目标交易数据检测为异常数据，进而出现检测失误的情况，而将目标交易数据与目标交易数据的时间特征进行结合，即可解决上述问题。

S202，通过异常检测模型，对目标多维数据进行异常检测，得到目标交易数据的异常检测结果。

其中，异常检测模型是一种经过训练的神经网络模型，用于对目标交易数据进行异常检测；异常检测结果指的是目标交易数据的检测结果，包括数据正常和数据异常。

可选的，可以将目标多维数据输入到异常检测模型中，由异常检测模型根据目标多维数据和异常检测模型的参数，从多个维度对目标多维数据进行分析，即可得到目标交易数据的异常检测结果。

上述数据异常检测方法中，引入目标获取时间，通过目标交易数据的目标获取时间，对目标交易数据进行处理，得到包含时间特征的目标多维数据，随后通过异常检测模型，对目标多维数据进行异常检测，得到目标交易数据的异常检测结果。采用上述方法，相比于相关技术，能够从时间维度以及数值维度对目标交易数据进行挖掘，避免了时间波动对异常检测结果的影响，提高了数据异常检测的准确性。

为了提高异常检测模型构建的准确性，在上述实施例的基础上，在本实施例中，提供了一种构建异常检测模型的可选方式，如图3所示，具体包括以下步骤：

S301，基于至少两个初始聚类中心，对样本多维数据集中的各样本多维数据进行聚类，得到各初始聚类中心对应的数据簇。

其中，样本多维数据指的是根据目标业务的历史交易数据的获取时间，对历史交易数据进行处理得到的包含时间特征的多维数据；样本多维数据集指的是包含样本多维数据的集合；数据簇指的是具有相似特征的数据集合。

可选的，可以根据模型历史训练过程中得到的组外方差曲线图中肘点的数量，确定初始聚类中心的数量K；随后，根据各初始聚类中心，将各样本多维数据划分进与之最近的初始聚类中心的范围，即对样本多维数据集中的各样本多维数据进行聚类，得到K个数据簇。

S302，根据各数据簇中所包含的样本多维数据的均值，确定各数据簇对应的参考聚类中心。

其中，参考聚类中心指的是根据数据簇中样本多维数据计算得到的中心点。

可选的，由于预设的初始聚类中心点与样本多维数据之间的关联性较弱，因此，为了提高初始聚类中心点的准确性，针对每一数据簇，可以根据该数据簇中所包含的样本多维数据来计算均值；随后，将计算得到的均值作为该数据簇对应的参考聚类中心。

S303，判断任一数据簇对应的初始聚类中心与参考聚类中心之间的距离是否大于第一预设距离阈值，若是，则执行S304；若否，执行S305。

其中，第一预设阈值指的是预设出的，用于衡量初始聚类中心与参考聚类中心之间距离差距大小的数据。

可选的，可以通过将初始聚类中心与参考聚类中心之间距离，与第一预设距离阈值进行比较，若初始聚类中心与参考聚类中心之间的距离大于第一预设距离阈值，则可以执行S304；若初始聚类中心与参考聚类中心之间的距离小于第一预设距离阈值，则可以执行S305。

S304，将各参考聚类中心作为新的初始聚类中心，返回执行S301。

可以理解的是，在初始聚类中心与参考聚类中心之间的距离大于第一预设距离阈值时，表示初始聚类中心与参考聚类中心之间的误差较大，此时需要进行下一轮聚类中心的更新操作。

可选的，可以将各参考聚类中心作为新的初始聚类中心，随后返回执行S301，以实现聚类中心的更新，直至初始聚类中心与参考聚类中心之间的距离小于第一预设距离阈值。

S305，将各参考聚类中心作为模型聚类中心。

其中，模型聚类中心指的是在多次后最终确定出的聚类中心。

可以理解的是，在初始聚类中心与参考聚类中心之间的距离小于第一预设距离阈值时，表示初始聚类中心与参考聚类中心之间的误差较小，此时，可以停止对聚类中心的更新操作，并将各参考聚类中心作为模型聚类中心。

S306，根据模型聚类中心，构建异常检测模型。

可选的，由于各模型聚类中心是根据样本多维数据确定的，因此，各模型聚类中心与样本多维数据存在相似的数据特征，此时，可以将模型聚类中心作为模型参数构建出异常检测模型。

进一步的，在进行数据异常检测时，可以通过将异常检测模型中的模型聚类中心与目标多维数据进行比较，判断是否存在某一模型聚类中心，与目标多维数据的相似度较高，进而得到目标交易数据的异常检测结果。

在本实施例中，采用均值聚类的方式，直接根据样本多维数据即可确定出模型聚类中心，进而构建异常检测模型，无需对样本多维数据进行标记，节约了人力资源，提高了模型构建的效率。

为了提高异常检测结果的准确性，在上述实施例的基础上，在本实施例中，提供了一种确定异常检测结果的可选方式，如图4所示，具体包括以下步骤：

S401，从异常检测模型的各模型聚类中心中，选择距离目标多维数据最近的模型聚类中心，作为目标聚类中心。

其中，目标聚类中心指的是各模型聚类中心中，与目标多维数据距离最近的聚类中心。

可选的，由于模型聚类中心与目标多维数据之间的距离越近，表示模型聚类中心与目标多维数据之间的相似程度越大，因此，可以分别计算各模型聚类中心与目标多维数据的距离，并将距离目标多维数据最近的模型聚类中心，作为目标聚类中心。

S402，若目标聚类中心与目标多维数据之间的距离，大于第二预设距离阈值，则对目标多维数据进行异常验证，得到目标交易数据的异常检测结果。

其中，第二预设距离阈值指的是预设出的，用于衡量目标聚类中心与目标多维数据之间距离差距大小的数据。

可选的，可以计算目标聚类中心与目标多维数据之间距离，若目标聚类中心与目标多维数据之间的距离，小于第二预设距离阈值，则说明目标多维数据与目标聚类中心具有相似的数据特征，即目标交易数据的异常检测结果为数据正常。

若目标聚类中心与目标多维数据之间的距离，大于第二预设距离阈值，则说明目标多维数据与目标聚类中心不具有相似的数据特征，此时，需要对目标多维数据进行异常验证，进而得到目标交易数据的异常检测结果。

在本实施例中，引入第二预设距离阈值，通过将目标聚类中心和目标多维数据之间的距离，与第二预设距离阈值进行比较，确定目标交易数据的异常检测结果，提高了异常检测结果确定的准确性。

可以理解的是，在目标多维数据中存在的数据维度过多的情况下，会对异常检测结果造成影响，因此，为了进一步提高异常检测结果确定的准确性，在本实施例中提供了一种异常验证的可选方式，如图5所示，具体包括以下步骤：

S501，确定目标聚类中心与目标多维数据在各数据维度下的维度距离值。

其中，维度距离值指的是目标多维数据在各维度数据下的距离值，可以表示目标多维数据在各维度下的异常程度。

可选的，针对每一数据维度，可以计算目标聚类中心与目标多维数据在该数据维度下的维度距离值。例如，目标多维数据C为“交易量-100；时刻-40”，因此，目标多维数据C的坐标为(100,40)，目标聚类中心的坐标为(90,20)，此时，在“交易量”维度下，维度距离值为10；在“时刻”维度下，维度距离值为20。

S502，按照从大到小的顺序，根据各维度距离值，对各数据维度进行排序。

可选的，为了确定各数据维度的异常程度，可以按照从大到小的顺序，根据各维度距离值，对各数据维度进行排序。

S503，根据排序结果，将排序在前的预设数量个数据维度作为异常数据维度。

其中，异常数据维度指的是导致目标多维数据出现异常的原因；预设数量指的是根据目标多维数据中包含的数据维度数量，确定出的异常数据维度个数，例如，目标多维数据中包含8个数据维度，此时的预设数量可以为3。

可选的，由于排列在前的数据维度为异常程度较大的数据维度，因此可以根据排序结果，将排序在前的预设数量个数据维度作为异常数据维度。

S504，根据异常数据维度对应的维度距离值，对目标多维数据进行异常验证，得到目标交易数据的异常检测结果。

可选的，可以将异常数据维度对应的维度距离值直接相加，并将计算结果与预设的异常阈值进行比较，若计算结果大于异常阈值，则目标交易数据的异常检测结果为数据异常；若计算结果小于异常阈值，则目标交易数据的异常检测结果为数据正常。

可以理解的是，由于各异常数据维度下的数量级不同，直接将各异常数据维度对应的维度距离值相加，会导致异常验证的结果不够准确，因此，可以在异常验证前针对每一异常数据维度设置对应的维度权重；随后，采用以下步骤，确定异常检测结果。其中，维度权重指的是用于表示各数据维度重要程度的数值。

第一步骤，可以根据异常数据维度的维度权重，对异常数据维度对应的维度距离值进行加权处理，得到异常数据维度的异常值。

可选的，针对每一异常数据维度，可以将该异常数据维度的维度权重，与该异常数据维度对应的维度距离值相乘，并将计算结果作为该异常数据维度的异常值。

第二步骤，根据异常数据维度的异常值，确定目标多维数据的异常值。

可选的，将每一异常数据维度的异常值相加，并将计算结果作为目标多维数据的异常值。

第三步骤，若目标多维数据的异常值，大于预设异常阈值，则确定目标交易数据的异常检测结果为数据异常。

其中，预设异常值指的是预设出的，用于判断目标多维数据异常检测结果的数值。

可选的，将目标多维数据的异常值与预设异常阈值进行比较，若目标多维数据的异常值，大于预设异常阈值，则确定目标交易数据的异常检测结果为数据异常；若目标多维数据的异常值，小于预设异常阈值，则确定目标交易数据的异常检测结果为数据正常。

在本实施例中，引入异常数据维度，通过在数据维度数量较多的情况下，确定出对目标多维数据影响程度较大的异常数据维度，保证了目标多维数据异常检测结果的准确性。

图6为另一个实施例中数据异常检测方法的流程示意图，在上述实施例的基础上，本实施例提供了一种数据异常检测方法的可选实例。结合图6，具体实现过程如下：

S601，对待检测的目标交易数据的目标获取时间和目标交易数据进行拼接，得到包含时间特征的目标多维数据。

S602，从异常检测模型的各模型聚类中心中，选择距离目标多维数据最近的模型聚类中心，作为目标聚类中心。

可选的，异常检测模型的构建方式为：基于至少两个初始聚类中心，对样本多维数据集中的各样本多维数据进行聚类，得到各初始聚类中心对应的数据簇；根据各数据簇中所包含的样本多维数据的均值，确定各数据簇对应的参考聚类中心；若任一数据簇对应的初始聚类中心与参考聚类中心之间的距离，大于第一预设距离阈值，则将各参考聚类中心作为新的初始聚类中心，返回执行基于至少两个初始聚类中心，对样本多维数据集中的各样本多维数据进行聚类，得到各初始聚类中心对应的数据簇的操作，直至任一数据簇对应的初始聚类中心与参考聚类中心之间的距离，均小于第一预设距离阈值，将各参考聚类中心作为模型聚类中心；根据模型聚类中心，构建异常检测模型。

S603，判断目标聚类中心与目标多维数据之间的距离，是否大于第二预设距离阈值，若是，则执行S604；若否，则执行S611。

S604，对确定目标聚类中心与目标多维数据在各数据维度下的维度距离值。

S605，按照从大到小的顺序，根据各维度距离值，对各数据维度进行排序。

S606，根据排序结果，将排序在前的预设数量个数据维度作为异常数据维度。

S607，根据异常数据维度的维度权重，对异常数据维度对应的维度距离值进行加权处理，得到异常数据维度的异常值。

S608，根据异常数据维度的异常值，确定目标多维数据的异常值。

S609，判断目标多维数据的异常值是否大于预设异常阈值，若是，则执行S610；若否，则执行S611。

S610，确定目标交易数据的异常检测结果为数据异常。

S611，确定目标交易数据的异常检测结果为数据正常。

上述S601-S611的具体过程可以参见上述方法实施例的描述，其实现原理和技术效果类似，在此不再赘述。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的数据异常检测方法的数据异常检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个数据异常检测装置实施例中的具体限定可以参见上文中对于数据异常检测方法的限定，在此不再赘述。

在一个实施例中，如图7所示，提供了一种数据异常检测装置1，包括：数据处理模块10和异常检测模块20，其中：

数据处理模块10，用于根据待检测的目标交易数据的目标获取时间，对目标交易数据进行处理，得到包含时间特征的目标多维数据；

异常检测模块20，用于通过异常检测模型，对目标多维数据进行异常检测，得到目标交易数据的异常检测结果。

在一个实施例中，数据处理模块10具体用于：

对待检测的目标交易数据的目标获取时间和目标交易数据进行拼接，得到包含时间特征的目标多维数据。

在一个实施例中，数据异常检测装置还包括模型构建模块，其中，模型构建模块具体用于：

基于至少两个初始聚类中心，对样本多维数据集中的各样本多维数据进行聚类，得到各初始聚类中心对应的数据簇；根据各数据簇中所包含的样本多维数据的均值，确定各数据簇对应的参考聚类中心；若任一数据簇对应的初始聚类中心与参考聚类中心之间的距离，大于第一预设距离阈值，则将各参考聚类中心作为新的初始聚类中心，返回执行基于至少两个初始聚类中心，对样本多维数据集中的各样本多维数据进行聚类，得到各初始聚类中心对应的数据簇的操作，直至任一数据簇对应的初始聚类中心与参考聚类中心之间的距离，均小于第一预设距离阈值，将各参考聚类中心作为模型聚类中心；根据模型聚类中心，构建异常检测模型。

在一个实施例中，如图8所示，异常检测模块20包括：

目标选择单元21，用于从异常检测模型的各模型聚类中心中，选择距离目标多维数据最近的模型聚类中心，作为目标聚类中心；

异常检测单元22，用于若目标聚类中心与目标多维数据之间的距离，大于第二预设距离阈值，则对目标多维数据进行异常验证，得到目标交易数据的异常检测结果。

在一个实施例中，异常检测单元22包括：

距离值确定子单元，用于确定目标聚类中心与目标多维数据在各数据维度下的维度距离值；

排序子单元，用于按照从大到小的顺序，根据各维度距离值，对各数据维度进行排序；

异常维度确定子单元，用于根据排序结果，将排序在前的预设数量个数据维度作为异常数据维度；

异常检测子单元，用于根据异常数据维度对应的维度距离值，对目标多维数据进行异常验证，得到目标交易数据的异常检测结果。

在一个实施例中，异常检测子单元具体用于：

根据异常数据维度的维度权重，对异常数据维度对应的维度距离值进行加权处理，得到异常数据维度的异常值；根据异常数据维度的异常值，确定目标多维数据的异常值；若目标多维数据的异常值，大于预设异常阈值，则确定目标交易数据的异常检测结果为数据异常。

上述数据异常检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标多维数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种数据异常检测方法。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

根据待检测的目标交易数据的目标获取时间，对目标交易数据进行处理，得到包含时间特征的目标多维数据；

通过异常检测模型，对目标多维数据进行异常检测，得到目标交易数据的异常检测结果。

在一个实施例中，处理器执行计算机程序中根据待检测的目标交易数据的目标获取时间，对目标交易数据进行处理，得到包含时间特征的目标多维数据的逻辑时，具体实现以下步骤：

对待检测的目标交易数据的目标获取时间和目标交易数据进行拼接，得到包含时间特征的目标多维数据。

在一个实施例中，处理器执行计算机程序中构建异常检测模型的逻辑时，具体实现以下步骤：

基于至少两个初始聚类中心，对样本多维数据集中的各样本多维数据进行聚类，得到各初始聚类中心对应的数据簇；根据各数据簇中所包含的样本多维数据的均值，确定各数据簇对应的参考聚类中心；若任一数据簇对应的初始聚类中心与参考聚类中心之间的距离，大于第一预设距离阈值，则将各参考聚类中心作为新的初始聚类中心，返回执行基于至少两个初始聚类中心，对样本多维数据集中的各样本多维数据进行聚类，得到各初始聚类中心对应的数据簇的操作，直至任一数据簇对应的初始聚类中心与参考聚类中心之间的距离，均小于第一预设距离阈值，将各参考聚类中心作为模型聚类中心；根据模型聚类中心，构建异常检测模型。

在一个实施例中，处理器执行计算机程序中通过异常检测模型，对目标多维数据进行异常检测，得到目标交易数据的异常检测结果的逻辑时，具体实现以下步骤：

从异常检测模型的各模型聚类中心中，选择距离目标多维数据最近的模型聚类中心，作为目标聚类中心；若目标聚类中心与目标多维数据之间的距离，大于第二预设距离阈值，则对目标多维数据进行异常验证，得到目标交易数据的异常检测结果。

在一个实施例中，处理器执行计算机程序中对目标多维数据进行异常验证，得到目标交易数据的异常检测结果的逻辑时，具体实现以下步骤：

确定目标聚类中心与目标多维数据在各数据维度下的维度距离值；按照从大到小的顺序，根据各维度距离值，对各数据维度进行排序；根据排序结果，将排序在前的预设数量个数据维度作为异常数据维度；根据异常数据维度对应的维度距离值，对目标多维数据进行异常验证，得到目标交易数据的异常检测结果。

在一个实施例中，处理器执行计算机程序中根据异常数据维度对应的维度距离值，对目标多维数据进行异常验证，得到目标交易数据的异常检测结果的逻辑时，具体实现以下步骤：

根据异常数据维度的维度权重，对异常数据维度对应的维度距离值进行加权处理，得到异常数据维度的异常值；根据异常数据维度的异常值，确定目标多维数据的异常值；若目标多维数据的异常值，大于预设异常阈值，则确定目标交易数据的异常检测结果为数据异常。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

根据待检测的目标交易数据的目标获取时间，对目标交易数据进行处理，得到包含时间特征的目标多维数据；

通过异常检测模型，对目标多维数据进行异常检测，得到目标交易数据的异常检测结果。

在一个实施例中，计算机程序中根据待检测的目标交易数据的目标获取时间，对目标交易数据进行处理，得到包含时间特征的目标多维数据的这一代码逻辑被处理器执行时，具体实现以下步骤：

对待检测的目标交易数据的目标获取时间和目标交易数据进行拼接，得到包含时间特征的目标多维数据。

在一个实施例中，计算机程序中构建异常检测模型的这一代码逻辑被处理器执行时，具体实现以下步骤：

基于至少两个初始聚类中心，对样本多维数据集中的各样本多维数据进行聚类，得到各初始聚类中心对应的数据簇；根据各数据簇中所包含的样本多维数据的均值，确定各数据簇对应的参考聚类中心；若任一数据簇对应的初始聚类中心与参考聚类中心之间的距离，大于第一预设距离阈值，则将各参考聚类中心作为新的初始聚类中心，返回执行基于至少两个初始聚类中心，对样本多维数据集中的各样本多维数据进行聚类，得到各初始聚类中心对应的数据簇的操作，直至任一数据簇对应的初始聚类中心与参考聚类中心之间的距离，均小于第一预设距离阈值，将各参考聚类中心作为模型聚类中心；根据模型聚类中心，构建异常检测模型。

在一个实施例中，计算机程序中通过异常检测模型，对目标多维数据进行异常检测，得到目标交易数据的异常检测结果的这一代码逻辑被处理器执行时，具体实现以下步骤：

从异常检测模型的各模型聚类中心中，选择距离目标多维数据最近的模型聚类中心，作为目标聚类中心；若目标聚类中心与目标多维数据之间的距离，大于第二预设距离阈值，则对目标多维数据进行异常验证，得到目标交易数据的异常检测结果。

在一个实施例中，计算机程序中对目标多维数据进行异常验证，得到目标交易数据的异常检测结果的这一代码逻辑被处理器执行时，具体实现以下步骤：

确定目标聚类中心与目标多维数据在各数据维度下的维度距离值；按照从大到小的顺序，根据各维度距离值，对各数据维度进行排序；根据排序结果，将排序在前的预设数量个数据维度作为异常数据维度；根据异常数据维度对应的维度距离值，对目标多维数据进行异常验证，得到目标交易数据的异常检测结果。

在一个实施例中，计算机程序中根据异常数据维度对应的维度距离值，对目标多维数据进行异常验证，得到目标交易数据的异常检测结果的这一代码逻辑被处理器执行时，具体实现以下步骤：

根据异常数据维度的维度权重，对异常数据维度对应的维度距离值进行加权处理，得到异常数据维度的异常值；根据异常数据维度的异常值，确定目标多维数据的异常值；若目标多维数据的异常值，大于预设异常阈值，则确定目标交易数据的异常检测结果为数据异常。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

根据待检测的目标交易数据的目标获取时间，对目标交易数据进行处理，得到包含时间特征的目标多维数据；

通过异常检测模型，对目标多维数据进行异常检测，得到目标交易数据的异常检测结果。

在一个实施例中，计算机程序被处理器执行根据待检测的目标交易数据的目标获取时间，对目标交易数据进行处理，得到包含时间特征的目标多维数据的操作时，具体实现以下步骤：

对待检测的目标交易数据的目标获取时间和目标交易数据进行拼接，得到包含时间特征的目标多维数据。

在一个实施例中，计算机程序被处理器执行构建异常检测模型的操作时，具体实现以下步骤：

基于至少两个初始聚类中心，对样本多维数据集中的各样本多维数据进行聚类，得到各初始聚类中心对应的数据簇；根据各数据簇中所包含的样本多维数据的均值，确定各数据簇对应的参考聚类中心；若任一数据簇对应的初始聚类中心与参考聚类中心之间的距离，大于第一预设距离阈值，则将各参考聚类中心作为新的初始聚类中心，返回执行基于至少两个初始聚类中心，对样本多维数据集中的各样本多维数据进行聚类，得到各初始聚类中心对应的数据簇的操作，直至任一数据簇对应的初始聚类中心与参考聚类中心之间的距离，均小于第一预设距离阈值，将各参考聚类中心作为模型聚类中心；根据模型聚类中心，构建异常检测模型。

在一个实施例中，计算机程序被处理器执行通过异常检测模型，对目标多维数据进行异常检测，得到目标交易数据的异常检测结果的操作时，具体实现以下步骤：

从异常检测模型的各模型聚类中心中，选择距离目标多维数据最近的模型聚类中心，作为目标聚类中心；若目标聚类中心与目标多维数据之间的距离，大于第二预设距离阈值，则对目标多维数据进行异常验证，得到目标交易数据的异常检测结果。

在一个实施例中，计算机程序被处理器执行对目标多维数据进行异常验证，得到目标交易数据的异常检测结果的操作时，具体实现以下步骤：

确定目标聚类中心与目标多维数据在各数据维度下的维度距离值；按照从大到小的顺序，根据各维度距离值，对各数据维度进行排序；根据排序结果，将排序在前的预设数量个数据维度作为异常数据维度；根据异常数据维度对应的维度距离值，对目标多维数据进行异常验证，得到目标交易数据的异常检测结果。

在一个实施例中，计算机程序被处理器执行根据异常数据维度对应的维度距离值，对目标多维数据进行异常验证，得到目标交易数据的异常检测结果的操作时，具体实现以下步骤：

根据异常数据维度的维度权重，对异常数据维度对应的维度距离值进行加权处理，得到异常数据维度的异常值；根据异常数据维度的异常值，确定目标多维数据的异常值；若目标多维数据的异常值，大于预设异常阈值，则确定目标交易数据的异常检测结果为数据异常。

需要说明的是，本申请所涉及的数据(包括但不限于用于目标多维数据和样本多维数据等)，均为经用户授权或者经过各方充分授权的数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种数据异常检测方法，其特征在于，所述方法包括：

根据待检测的目标交易数据的目标获取时间，对所述目标交易数据进行处理，得到包含时间特征的目标多维数据；

通过异常检测模型，对所述目标多维数据进行异常检测，得到所述目标交易数据的异常检测结果。

2.根据权利要求1所述的方法，其特征在于，所述根据待检测的目标交易数据的目标获取时间，对所述目标交易数据进行处理，得到包含时间特征的目标多维数据，包括：

对待检测的目标交易数据的目标获取时间和所述目标交易数据进行拼接，得到包含时间特征的目标多维数据。

3.根据权利要求1所述的方法，其特征在于，所述异常检测模型的构建方式为：

基于至少两个初始聚类中心，对样本多维数据集中的各样本多维数据进行聚类，得到各初始聚类中心对应的数据簇；

根据各数据簇中所包含的样本多维数据的均值，确定各数据簇对应的参考聚类中心；

若任一数据簇对应的初始聚类中心与参考聚类中心之间的距离，大于第一预设距离阈值，则将各参考聚类中心作为新的初始聚类中心，返回执行基于至少两个初始聚类中心，对样本多维数据集中的各样本多维数据进行聚类，得到各初始聚类中心对应的数据簇的操作，直至任一数据簇对应的初始聚类中心与参考聚类中心之间的距离，均小于所述第一预设距离阈值，将各参考聚类中心作为模型聚类中心；

根据所述模型聚类中心，构建所述异常检测模型。

4.根据权利要求3所述的方法，其特征在于，所述通过异常检测模型，对所述目标多维数据进行异常检测，得到所述目标交易数据的异常检测结果，包括：

从所述异常检测模型的各模型聚类中心中，选择距离所述目标多维数据最近的模型聚类中心，作为目标聚类中心；

若所述目标聚类中心与所述目标多维数据之间的距离，大于第二预设距离阈值，则对所述目标多维数据进行异常验证，得到所述目标交易数据的异常检测结果。

5.根据权利要求4所述的方法，其特征在于，所述对所述目标多维数据进行异常验证，得到所述目标交易数据的异常检测结果，包括：

确定目标聚类中心与所述目标多维数据在各数据维度下的维度距离值；

按照从大到小的顺序，根据各维度距离值，对各数据维度进行排序；

根据排序结果，将排序在前的预设数量个数据维度作为异常数据维度；

根据所述异常数据维度对应的维度距离值，对所述目标多维数据进行异常验证，得到所述目标交易数据的异常检测结果。

6.根据权利要求5所述的方法，其特征在于，所述根据所述异常数据维度对应的维度距离值，对所述目标多维数据进行异常验证，得到所述目标交易数据的异常检测结果，包括：

根据所述异常数据维度的维度权重，对所述异常数据维度对应的维度距离值进行加权处理，得到所述异常数据维度的异常值；

根据所述异常数据维度的异常值，确定所述目标多维数据的异常值；

若所述目标多维数据的异常值，大于预设异常阈值，则确定所述目标交易数据的异常检测结果为数据异常。

7.一种数据异常检测装置，其特征在于，所述装置包括：

数据处理模块，用于根据待检测的目标交易数据的目标获取时间，对所述目标交易数据进行处理，得到包含时间特征的目标多维数据；

异常检测模块，用于通过异常检测模型，对所述目标多维数据进行异常检测，得到所述目标交易数据的异常检测结果。

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。

9.一种计算机可读存储介质，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权利要求1至6中任一项所述的方法的步骤。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。