1.一种基于大模型的多维时序数据异常检测方法，其特征在于，所述基于大模型的多维时序数据异常检测方法，包括：将多维时序数据按维度分解为多个单维时序数据，对所有单维时序数据进行归一化；

将归一化后的单维时序数据转化为离散的符号序列；

利用正常状态的符号序列组成的集合对大模型底座进行微调；

将待预测的符号序列分别输入微调好的大模型，得到每个待预测的符号序列在当前时刻的符号预测结果；

将每个符号预测结果进行归一化，得到每个符号预测结果归一化后的预测值，并将每个预测值还原至单维时序数据尺度，得到每个单维时序数据在当前时刻的还原值；

基于每个单维时序数据在当前时刻的还原值和真实值，计算每个单维时序数据在当前时刻的预测误差；

将预测误差与预设的单维异常阈值进行比对，得到每个单维时序数据在当前时刻的单维异常检测结果；

基于每个单维时序数据在当前时刻的单维异常检测结果，得到当前时刻的全局异常检测结果。

2.根据权利要求1所述的基于大模型的多维时序数据异常检测方法，其特征在于，所述将归一化后的单维时序数据转化为离散的符号序列，包括：基于归一化后的单维时序数据的均值和标准差，确定归一化后的单维时序数据的分桶区间，并将分桶区间划分为多个子区间；

将归一化后的单维时序数据中的每个数值映射到对应的子区间，并转化为一个符号，得到符号序列。

3.根据权利要求2所述的基于大模型的多维时序数据异常检测方法，其特征在于，所述基于归一化后的单维时序数据的均值和标准差，确定归一化后的单维时序数据的分桶区间，并将分桶区间划分为多个子区间，包括：计算归一化后的单维时序数据的均值和标准差，确定归一化后的单维时序数据的分桶区间为 ，其中， ，，表示均值，表示标准差；

基于以下公式计算得到 个子区间的中心点：

；

其中， 表示第 个子区间的中心点；

基于 个中心点生成 个边界点，记为 ，其中，为边界点的集合， ；

根据 个边界点将分桶区间划分为 个子区间。

4.根据权利要求3所述的基于大模型的多维时序数据异常检测方法，其特征在于，所述将归一化后的单维时序数据中的每个数值映射到对应的子区间，并转化为一个符号，得到符号序列，包括：将归一化后的单维时序数据中的每个数值映射到对应的子区间，映射规则如下：其中， 表示归一化后的第 个单维时序数据中 时刻的数值，表示 在对应子区间中的映射， 表示第二个边界点， 表示第 个边界点， 表示第 个边界点， 表示第 个边界点；

将数值 在对应子区间中的映射加预设的特殊符号的种类数量，作为归一化后的第个单维时序数据在 时刻对应的符号；

对多维时序数据中实际存在的缺失值对应的符号填充为特殊符号，得到符号序列。

5.根据权利要求1所述的基于大模型的多维时序数据异常检测方法，其特征在于，所述利用正常状态的符号序列组成的集合对大模型底座进行微调，包括：以滑动窗口对符号序列组成的集合进行切割，得到多个输入序列‑目标序列对；

对长度小于预设长度的输入序列‑目标序列对进行填充，得到预测指令；

对预测指令中的输入序列中的预设符号进行随机替换，生成新的预测指令，并将新的预测指令加入预测指令的集合；

冻结大模型底座的原始参数，并注入待训练低秩矩阵，重新初始化嵌入层参数；

基于预测指令的集合进行有监督微调。

6.根据权利要求1所述的基于大模型的多维时序数据异常检测方法，其特征在于，所述基于每个单维时序数据在当前时刻的还原值和真实值，计算每个单维时序数据在当前时刻的预测误差，包括：每个单维时序数据在当前时刻的预测误差为每个单维时序数据在当前时刻的真实值与还原值的差值的绝对值。

7.根据权利要求1所述的基于大模型的多维时序数据异常检测方法，其特征在于，所述将预测误差与预设的单维异常阈值进行比对，得到每个单维时序数据在当前时刻的单维异常检测结果，包括：计算第 个单维时序数据的单维异常阈值，用公式表示为：其中， 表示第 个单维时序数据的单维异常阈值， 表示第 个单维时序数据在所有时刻的预测误差序列， 表示计算95%分位数；

若预测误差大于单维异常阈值，则判断单维时序数据在当前时刻的真实值为异常，若预测误差小于等于单维异常阈值，则判断单维时序数据在当前时刻的真实值为正常。

8.根据权利要求1所述的基于大模型的多维时序数据异常检测方法，其特征在于，所述基于每个单维时序数据在当前时刻的单维异常检测结果，得到当前时刻的全局异常检测结果，包括：计算 时刻所有单维时序数据的预测误差的均值作为全局异常评分；

基于所有时刻的全局异常评分计算全局阈值，用公式表示为：其中， 表示全局阈值， 表示计算95%分位数，表示所有时刻的全局异常评分；

若全局异常评分大于全局阈值，或判断为异常的单维时序数据多于预设的最小异常维度数，则 时刻为全局异常。