基于多尺度注意力Transformer的多元时序异常检测OA

多元时序异常检测常用于识别系统外部威胁、机械故障诊断和网络入侵检测,以保障智能系统的稳定运行.然而,传统Transformer在捕捉多元时序数据的局部特征和多尺度依赖关系方面存在不足,导致检测精度受限.针对这一问题,提出了一种改进的Transformer异常检测模型,在其自注意力模块中引入多尺度融合注意力机制(MSFA),通过卷积金字塔结构增强模型的局部感知能力,提升对长短期依赖关系的建模效果.同时,结合基于传感器物理特性的高斯异常注入策略,进一步增强了模型对多类型异常的鲁棒性.在工业传感器数据集SMD、卫星遥测数据集SMAP和机械监测数据集MSL上的实验结果表明,所提模型在F1分数上相较于基线方法TranAD分别提升了2.7%、2.19%和2.01%,验证了所提方法在复杂传感器网络场景中的有效性与泛化能力.