计算机应用

作者：闫秋艳, 蒋辉, 姜竹郡, 李博雪

单位：中国矿业大学 计算机科学与技术学院，江苏 徐州 221116

关键词：多维时间序列,根因分析,概率生成网络,图注意力网络,深度学习

基金：国家自然科学基金重点项目(51934007);国家自然科学基金面上项目(62277046);国家自然科学基金面上项目(61977061);国家自然科学基金—国家重大科研仪器研制项目(52227901)

根因分析（RCA）对于帮助快速恢复系统、精确评估风险和保障生产安全具有重要意义。针对当前的方法不能很好地表征不同传感器之间的依赖关系，难以捕获时间序列中存在的随机波动的问题，提出一种面向多维时间序列根因分析的概率生成图注意力网络方法，称为GPRCA。该方法将维度特征嵌入定义为高斯分布向量，用于表征不同传感器的潜在特征，以捕捉多维时间序列中存在的随机波动，提高模型抗噪性；同时构建深度概率生成图注意力网络，学习维度之间非线性的依赖关系，从而很好地建模传感器网络中的依赖性；最后综合网络拓扑因果得分和节点个体因果得分进行根因分析。在2个公开数据集（安全水处理（SWaT）数据集、水分配（WADI）数据集）和1个私有数据集（Mine）上的实验结果显示，GPRCA的部分指标取得了最优值：在SWaT数据集上，GPRCA的5候选精度（P@5）、5候选平均精度（mAP@5）和平均倒数排名（MRR）比次优方法分别提升了2.2%、6.3%和11.6%；在WADI数据集上比次优方法分别提升了8.1%、7.0%和11.0%；在Mine数据集上的mAP@3和MRR比次优方法分别提升了3.6%和1.8%。可见GPRCA方法是有效的，并且性能优于基线方法。

来源：2025年第11期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第11期