计算机应用

作者：尹春勇, 张不凡

单位：南京信息工程大学 计算机学院、网络空间安全学院，南京 210044

关键词：异常检测,多尺度特征提取,时间序列,状态空间模型,无监督学习

多变量时间序列数据常表现出多尺度特征和复杂的相互依赖性，给异常检测带来了挑战。为了解决这一问题，提出一种基于多尺度的多变量时间序列异常检测模型M3AD（Multi-scale Mamba Multi-layer perceptron Anomaly Detection）。首先，采用多尺度特征提取方法，即通过在不同时间尺度上分割时间序列，捕捉短期和长期模式；其次，利用多层感知机（MLP）和卷积层进行特征学习，提取局部和高级特征表示；再次，引入选择性状态空间模型（SSM） Mamba，通过它高效的处理能力捕捉长序列中的关键信息；最后，通过基于KL （Kullback-Leibler）散度的损失函数和异常分数计算，实现对异常的敏感检测。为了验证模型的有效性，将M3AD与Anomaly Transformer和MEMTO等7种模型在4个公共数据集上对比。实验结果表明，M3AD在精确率、召回率和F1分数等关键指标上相较于对比方法展现出显著优势和领先性能，验证了M3AD在多变量时间序列异常检测任务中的有效性和优越性。

来源：2026年第3期

《计算机应用》期刊编辑部

查看计算机应用杂志2026年第3期