（一）一种硬盘故障预测的非监督对抗学习方法（2019-西安电子科技大学学报）

内含动画的PPT已经上传，可以在我上传的资源里看到，可免费下载

该篇论文主要围绕“异常检测+硬盘故障预测+GAN+非监督”展开，以下是个人对整篇文章脉络的整理和理解。

一、论文概括

1. 研究对象
2. 目的
3. 方法
4. 结论
5. 结果

二、相关的研究

1. 方法及问题
2. 问题的原因分析
3. 前人的具体研究方法和结果

三、论文主体——提出基于LSTM的非监督对抗学习方法

1. 异常检测流程
2. 作者所构建的模型结构（包括编码器具体的内部结构LSTM+FC）
3. 模型的训练过程
   • 包括各个损失函数的定义
   • L1损失函数
   • L2损失函数
   • 二分类交叉熵损失函数
4. 模型的验证过程
   • 异常分数的定义
   • 缩放
   • F1的计算
   • 阈值的确定
5. 模型的测试过程
6. 评价指标及实验结果
   
   
   
   
   
   

2020.9.8补充《关于实验部分》

1、实验比对

实验选择与单类支持向量机（OCSVM）、孤立森林、GANomaly、LSTM-CNN、LSTM-FC（本文方法）做对比。
（1）单类支持向量机是一种基于非监督学习的异常检测方法，训练时只使用一类数据，常用于解决多维的不均衡数据的异常检测。
（2）孤立森林也是一种在多维数据集中进行异常检测的有效方法，通过随机选择一个特征，然后在所选特征的最大值和最小值之间随
机选择一个分割值来“隔离”样本实现非监督的异常检测。

2、数据集

两个硬盘数据集
（1）4TB 的希捷ST4000DM000
（2）12TB 的希捷ST12000NM0007
（3）实验将两个数据集分别分割成训练集 Dtrn、验证集Dvrf和测试集 Dtst三个子集，其中 Dtrn只含正常样本(normal)，Dvrf和 Dtst含有比例不均衡的正常样本和异常样本(anormal)

3、实验设置

（1）Pytorch 3.6 上实现
（2）使用Adam 优化器
（3）学习率r =0.00001，损失函数的权重w1 =w2 =w3 =1，
（4）LSTM 的隐含层维度设为h =250，潜在向量z 的维度设为nz =200
（5）训练的轮数根据经验设为5000。

4、实验结果对比

（1）五种方法在两个数据集上的实验结果比对
（2）三种深度学习方法GANomaly、LSTM-CNN 、LSTM-FC验证阶段的感受性曲线和异常分数的分布图

从图 3 可以看出 LSTM-FC 的感受性曲线更饱满，其对应的曲线下面积也就越大，与表 2 和表 3 记录相一致；
从图 4 可以看出 LSTM-FC 的异常分数分布最清晰，有利于阈值的选取，且在测试阶段性能也会更稳定；
GANomaly 的异常分数分布最差，这也是其验证阶段曲线下面积高于 LSTM-CNN 但测试结果却不如后者的原因。