Page 325 - 《软件学报》2026年第2期

804 软件学报 2026 年第 37 卷第 2 期

现有方法采用的标准时间序列分类模型构建流程
时间序列分类函数 f
Pr(A 1 )
硬标签
Pr(A 2 ) p hard {0,1} m
P
E T  CE
...
Acc(A 1 (T), L)
Pr(A m )
子序列 T i,l
时序特征 时序表征 线性 Acc(A 2 (T), L)
提取器 x T,i,l 分类器 预测概率 …
P(E T (T i,l ))
Acc(A m (T), L)
历史任务准确率
大
应用领域: 云数据库监控 语
数据描述: 长度 128 言  S
异常描述: 2 个异常, 步长为 1 和 36 模  KI 软标签
… 型 p soft [0,1] m
异常检测相关知识 K i,l 时序表征x T,i,l
知识表征 x K,i,l
知识增强模块1: 基于历史任务
知识增强模块2: 时间序列异常检测外部知识融合 准确率的软标签分类
图 2 知识增强的时间序列异常检测算法自动选择方法总体框架图

f 的输出为具有最大预测概率的类别, 表示为:

f(T i,l ) = arg max {Pr(A k )} (7)
k=1,...,m
如图 2 灰色线框部分所示, 现有方法仅利用历史时间序列 T i,l 和第 2.3 节定义的标记 O(T i,l ) (等价于第 3.2 节
p i 与标记
所述的硬标签) 作为训练样本对, 使用标准时间序列分类模型训练技术来构建 f , 即以最小化预测概率
O(T i,l ) 间的交叉熵 (cross-entropy) 损失 [31] 为目标, 学习 f 的最优参数. 损失函数表示为:

1 ∑ N
L CE = L CE,i (8)
N i=1
其中, N 为训练样本的个数. L CE,i 表示单个样本的损失, 定义为:

L CE,i = log p i,j , j = O(T i,l ) (9)
这种标准时间序列分类模型构建方式缺乏对于历史任务中时间序列异常检测有关知识的有效挖掘和利用. 针
对这一问题, 本文提出两类知识增强模块: 基于历史任务的软标签分类模块利用每个历史时间序列 T i,l 上所有异常
检测算法的准确率估计其真实类别分布, 以此作为软标签来为 f 的学习提供更多关于候选异常检测算法间关系的
知识; 时间序列异常检测外部知识融合模块利用预训练的大语言模型 [32] 获取外部知识的通用表征, 并通过最大化
f 中. 两个模块分别在第 3.2 和 3.3 节中详细介绍.
时序表征与知识表征间的互信息, 将外部知识融入算法选择器
3.2 基于历史任务准确率的软标签分类

T i,l 的标注. 这是一
现有方法仅利用历史任务上取得最高准确率的异常检测算法 O(T i,l ) = O(T) 作为时间序列
m O(T) 对应的
种硬标签标注方式, 即算法选择器 f 的预测目标为二元取值的概率向量, 记为 p hard ∈ {0,1} , 其中类别
概率为 1, 其余类别的概率值为 0, 表示为:


 1, j = O(T)

, j = 1,...,m (10)

p hard,j = 

 0, j , O(T)
这种硬标签标注方式将最佳异常检测算法外的所有候选算法不加区别地对待 (目标概率均置为 0), 忽略了异
常检测算法间的准确率大小存在多样化差异这一重要知识. 为了弥补这一缺陷, 本文利用每个历史时间序列 T 上
f 的训练.
所有异常检测算法候选的准确率来估计真实目标概率向量, 以此作为软标签来指导
记软标签为 p soft , 它应满足两个条件: