使用自编码器进行异常检测：实践

自编码器通过最小化输入和输出之间的重构误差，善于学习数据的压缩表示。这一特点使其非常适合异常检测。其主要思路很简单：在表示正常状态或行为的数据上训练自编码器。当遇到显著偏离正常状态的数据（异常）时，由于自编码器仅在正常模式上进行过训练，它将难以准确重构此类数据。这会导致相比正常数据点更高的重构误差。通过设定一个误差阈值，我们可以区分正常实例和潜在异常。

基于自编码器的异常检测方法

1. 训练数据选择： 最重要的步骤是整理一个纯粹由正常样本组成的训练数据集。自编码器将学习这些正常数据的底层分布和特点。
2. 模型训练： 使用正常数据构建并训练一个自编码器架构（例如，全连接网络、卷积网络）。目标通常是最小化重构损失，例如输入 $x$ 和重构输出 $\hat{x}$ 之间的均方误差 (MSE)： $$L(x, \hat{x}) = \frac{1}{N} \sum_{i=1}^{N} (x_i - \hat{x}_i)^2$$ 其中 $N$ 是输入样本中的特征数量。
3. 阈值确定： 训练完成后，将一个单独的验证集（同样仅包含正常数据）通过自编码器，并计算每个样本的重构误差。分析这些误差的分布。一个常用方法是基于此分布选择阈值，例如：
   • 在正常验证集上观察到的最大误差。
   • 误差的特定百分位数（例如，第99百分位数）。
   • 基于误差均值 ($\mu$) 和标准差 ($\sigma$) 的值，例如 $\mu + k\sigma$，其中 $k$ 通常是2、3或更高，取决于所需的灵敏度。
4. 推断与异常分类： 对于任何新的、未见过的数据点，使用训练好的自编码器计算其重构误差。如果误差超过预设阈值，则将该数据点归类为异常；否则，归类为正常。

实际实现示例

图像数据的一个例子是MNIST数字。例如，可以将一个数字类别（例如“1”）视为正常，而其他数字类别则视为异常。

1. 数据准备

假设我们加载MNIST数据集。我们将数字“1”的图像指定为正常数据并用于训练。其他数字（“0”、“2”-“9”）将在评估期间作为异常。通过归一化像素值（例如，缩放到[0, 1]）来预处理图像，如果使用全连接自编码器，则可能将其展平；如果使用卷积自编码器，则保持其2D结构。

# 数据加载（使用TensorFlow/Keras进行说明）
import tensorflow as tf
import numpy as np

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

# 归一化并重塑
x_train = x_train.astype('float32') / 255.
x_test = x_test.astype('float32') / 255.

# 选择“正常”数据（例如数字1）进行训练
x_train_normal = x_train[y_train == 1]
x_val_normal = x_test[y_test == 1][:500] # 使用部分测试集中的“1”用于验证阈值
x_test_normal = x_test[y_test == 1][500:]
x_test_anomalies = x_test[y_test != 1]

print(f"训练集正常数据形状: {x_train_normal.shape}")
print(f"验证集正常数据形状: {x_val_normal.shape}")
print(f"测试集正常数据形状: {x_test_normal.shape}")
print(f"测试集异常数据形状: {x_test_anomalies.shape}")

# 示例：为全连接自编码器展平图像
# x_train_normal = x_train_normal.reshape((len(x_train_normal), np.prod(x_train_normal.shape[1:])))
# x_val_normal = x_val_normal.reshape((len(x_val_normal), np.prod(x_val_normal.shape[1:])))
# x_test_normal = x_test_normal.reshape((len(x_test_normal), np.prod(x_test_normal.shape[1:])))
# x_test_anomalies = x_test_anomalies.reshape((len(x_test_anomalies), np.prod(x_test_anomalies.shape[1:])))
# input_shape = x_train_normal.shape[1]

# 示例：为卷积自编码器重塑（添加通道维度）
x_train_normal = np.expand_dims(x_train_normal, axis=-1)
x_val_normal = np.expand_dims(x_val_normal, axis=-1)
x_test_normal = np.expand_dims(x_test_normal, axis=-1)
x_test_anomalies = np.expand_dims(x_test_anomalies, axis=-1)
input_shape = x_train_normal.shape[1:]

2. 模型构建（卷积自编码器示例）

卷积自编码器 (CAE) 通常适合图像数据。

# CAE模型定义 (TensorFlow/Keras)
from tensorflow.keras import layers, models

latent_dim = 32

encoder_inputs = tf.keras.Input(shape=input_shape)
x = layers.Conv2D(32, (3, 3), activation='relu', padding='same', strides=2)(encoder_inputs)
x = layers.Conv2D(64, (3, 3), activation='relu', padding='same', strides=2)(x)
# 需要形状信息：最后一个Conv2D层的输出形状
# 假设输入28x28，经过两次步长为2的卷积后，形状为7x7x64
shape_before_flattening = tf.keras.backend.int_shape(x)[1:]
x = layers.Flatten()(x)
encoder_outputs = layers.Dense(latent_dim, name='encoder_output')(x)
encoder = models.Model(encoder_inputs, encoder_outputs, name='encoder')

decoder_inputs = tf.keras.Input(shape=(latent_dim,))
# 需要与编码器中展平前的形状匹配
x = layers.Dense(np.prod(shape_before_flattening))(decoder_inputs)
x = layers.Reshape(shape_before_flattening)(x)
x = layers.Conv2DTranspose(64, (3, 3), activation='relu', padding='same', strides=2)(x)
x = layers.Conv2DTranspose(32, (3, 3), activation='relu', padding='same', strides=2)(x)
decoder_outputs = layers.Conv2D(1, (3, 3), activation='sigmoid', padding='same')(x) # 灰度图输出通道为1
decoder = models.Model(decoder_inputs, decoder_outputs, name='decoder')

autoencoder = models.Model(encoder_inputs, decoder(encoder_outputs), name='autoencoder')

autoencoder.compile(optimizer='adam', loss='mse')
autoencoder.summary()

3. 训练

仅在 x_train_normal 数据上训练模型。

# 训练调用
history = autoencoder.fit(x_train_normal, x_train_normal,
                          epochs=20, # 根据需要调整训练轮次
                          batch_size=128,
                          shuffle=True,
                          validation_data=(x_val_normal, x_val_normal)) # 此处也使用正常验证数据

4. 计算重构误差

使用训练好的模型预测（重构）样本并计算每个样本的MSE。

# 计算验证集正常数据的重构误差
reconstructions_val = autoencoder.predict(x_val_normal)
val_errors = tf.keras.losses.mse(
    tf.reshape(x_val_normal, (len(x_val_normal), -1)),
    tf.reshape(reconstructions_val, (len(reconstructions_val), -1))
) # 计算每个样本的MSE

# 计算测试集正常数据的误差
reconstructions_test_normal = autoencoder.predict(x_test_normal)
test_normal_errors = tf.keras.losses.mse(
    tf.reshape(x_test_normal, (len(x_test_normal), -1)),
    tf.reshape(reconstructions_test_normal, (len(reconstructions_test_normal), -1))
)

# 计算测试集异常数据的误差
reconstructions_test_anomalies = autoencoder.predict(x_test_anomalies)
test_anomaly_errors = tf.keras.losses.mse(
    tf.reshape(x_test_anomalies, (len(x_test_anomalies), -1)),
    tf.reshape(reconstructions_test_anomalies, (len(reconstructions_test_anomalies), -1))
)

5. 阈值选择

使用来自正常验证集（val_errors）的误差来确定阈值。

# 示例：使用验证误差的第99百分位数作为阈值
threshold = np.percentile(val_errors.numpy(), 99)
print(f"异常阈值（第99百分位数）: {threshold:.6f}")

# 替代方案：使用均值 + k * 标准差
# threshold = np.mean(val_errors.numpy()) + 3 * np.std(val_errors.numpy())
# print(f"异常阈值（均值 + 3*标准差）: {threshold:.6f}")

6. 评估

根据阈值对测试样本进行分类并进行评估。

# 分类测试样本
normal_predictions = test_normal_errors <= threshold
anomaly_predictions = test_anomaly_errors > threshold

# 组合结果进行评估（示例）
true_positives = np.sum(anomaly_predictions)
false_negatives = len(test_anomaly_errors) - true_positives

true_negatives = np.sum(normal_predictions)
false_positives = len(test_normal_errors) - true_negatives

print(f"检测到的异常（真阳性）: {true_positives} / {len(test_anomaly_errors)}")
print(f"正确分类为正常的样本（真阴性）: {true_negatives} / {len(test_normal_errors)}")
print(f"错误分类为异常的正常样本（假阳性）: {false_positives}")
print(f"漏报的异常（假阴性）: {false_negatives}")

# 计算精确率、召回率、F1分数等指标
precision = true_positives / (true_positives + false_positives) if (true_positives + false_positives) > 0 else 0
recall = true_positives / (true_positives + false_negatives) if (true_positives + false_negatives) > 0 else 0
f1_score = 2 * (precision * recall) / (precision + recall) if (precision + recall) > 0 else 0

print(f"精确率: {precision:.4f}")
print(f"召回率: {recall:.4f}")
print(f"F1分数: {f1_score:.4f}")

重构误差可视化

绘制正常和异常测试数据的重构误差直方图，可以提供分离的视觉确认。

正常（蓝色）与异常（红色）测试样本的重构误差分布。异常通常表现出更高的误差，可以通过阈值进行分离。（注意：数值为示意）

注意事项

• 正常数据质量： 有效性很大程度上取决于训练数据能否代表所有正常变体，并且不包含异常。
• 模型复杂度： 过于复杂的自编码器可能会很好地重构一些异常，而过于简单的模型即使对正常数据也可能出现高误差。调整架构（层、潜在维度）非常重要。
• 阈值敏感性： 阈值的选择直接影响检测异常（召回率/真阳性率）与错误标记正常数据（假阳性率）之间的权衡。此选择通常取决于特定应用对假阳性与假阴性的容忍度。
• 异常类型： 此方法最适合那些结构上不同于自编码器所学习的正常数据的异常。如果细微异常的重构误差没有明显更高，则可能更难检测。

这种实用方法说明了自编码器经过适当训练后，可以作为识别数据集中异常模式或离群点的有效工具，适用于图像处理、时间序列分析和网络安全等多种领域。