CN119416131A 一种数据异常溯源追踪定位方法、系统、设备及存储介质 （国网浙江省电力有限公司营销服务中心）

本发明公开了一种数据异常溯源追踪定位响业务数据信息的多条件因素作为超参数引入23d(vv)是节点vi与vj之间的距离；,其中是节点v在第k层的表示，N(v)表示节点v的邻居，wto是可训练的权重矩4wnew=w-n·VL异同性分析模块：采用K_means聚类算法将数据划分为K个聚类异常传播路径推理模块：采用路径推理技术和复杂网络分析异常溯源定位模型构建模块：构建数据异常溯源定位模型，结果优化与超参数调整模块：将影响业务数据信息的多条件因素作为超参数引入模59.一种计算机设备，其特征在于：所述设备包括一个处理器执行时，实现如权利要求1_7任一项所述的一种知识驱动的数据异常溯源追踪定位代码被处理器执行时，实现如权利要求1_7任一项所述的一种知识驱动的数据异常溯源追6[0002]近年来，知识图谱和图神经网络的技术广泛应用于数据电力营销数据的链路异常诊断方法在实际应用中面临诸多挑战1）数据异常检测精准性[0004]本发明要解决的技术问题和提出的技术任务是对现有技7从而减少系统风险并提升电力营销数据的稳定性和[0011]知识图谱能够通过其丰富的语义关系和层次化结构，提供数据间的深层次关8户可以通过知识图谱追溯到特定特征的来源及其背后的逻辑关系，从而提高模型的透明类中心，使得最终的聚类结果稳定且具备较好的泛化能力；在多源异构数据环境下，K_9[0024]K_means算法与相似度计算的组合具有良好的扩展性，可以灵活应用于不同的电[0029]传播模型模拟了异常在网络中的扩散过程，进一步增强了异常传播路径的理识别关键节点，节点的度数k;定义为与节点vi连接的边的数量，中心性计算公式为：d(vv)是节点vi与vj之间的距离；[0040]利用SIR传播模型模拟异常在数据流中的传播过程，可以更好地理解异常是如何(γ),可以预测异常传播的速度和范围，并为异常检测提供决策支持。SIR模型为异常的传[0046]SIR模型和网络指标计算能够随着数据流的变化动态调整异常传播路径的识别和,[0049]图神经网络具有出色的能力来捕捉节点间复杂的关系和依赖性。通过多层聚合（从邻居节点信息的聚合到全局信息的学习GNN能够从局部到全局的层次结构中学习节点的高维特征，从而准确表示每个数据点的属性及其在网络中的角色。对于电力营销数据成具有上下文感知能力的特征表示。这使得模型能够捕捉到节点间复杂的相互关系，从而更好地识别异常数据和异常传播路径。[0056]图神经网络的特征学习不仅仅局限于局部节点的属性，它能够捕捉节点间的关[0058]通过自动化的特征学习与异常检测，系统能够高效识别合H*是实际标签，f(·)是反馈函数，用于计算模型性能差wnewv=w-n·VL[0066]采用交叉验证方法能够有效地避免模型过拟合或欠拟合，确保模型的泛化能通过将数据分成多个子集，模型在不同的训练集和验证集上训练，从而保证了模型对不同贝叶斯优化方法可以高效地搜索最佳的超参数组合，尤其是在参数空间较大的情况下，能够避免手动调整超参数的繁琐步骤，从而提升了模型优化的效率。贝叶斯优化在处理高维[0067]通过将模型的预测结果与实际标签进行比较，利用反馈机制对模型进行实时调能在数据和业务需求的变化下持续提供高质量的准确的异常检测和高效的反馈机制，模型能够为电力营销决策者提供更加精准的信息支尤其是在电力营销数据的多维度和多源环境中，GNN能够有效地处理数据间的非欧几里得被所述一个或多个处理器执行时，实现前述的一种知识驱动的数据异常溯源追踪定位方过构建多源异构数据的知识图谱与图神经网络，克服了传统规则检测依赖固定阈值的不[0093]假设用电数据矩阵为x=[xj]，则特征提取过程通过神经网络模型生成特征表步骤3.1：研究面向数据异常性传播的路径推理技术，首先构建一个加权有向图为与节点vi连接的边的数量，中心性计算公式如下其中，,其中是节点v在第k层的表节点特征被传递到一个分类器进行异常检测其中表示预是实际标签，f(·)是反馈函数，用于计算模型性能差wnewv=w-n·VL优化的数据关联路径推理和图神经网络特征学习，大幅提升了异常源定位的速度和准确如本发明任一实施例所述的知识驱动的数据异常溯序被处理器执行时实现如本发明任一实施例所述的知识驱动的数据异常溯源追踪定位方本申