A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis in Multivariate Time Series Data
发表会议:2019 AAAI
1 背景:
1.多元时间序列异常检测和诊断是要在时间步长中识别异常状态并查明原因。作者要建立这样的一个系统。
2.系统需要捕获每个时间序列中的事件依赖性,同时对不同时间序列对之间的相互关系进行编码,并且需要抗噪声能力,还可以根据不同事件的严重性为操作员提供不同等级的异常评分。
2 相关工作:
1.历史数据中没有异常标签,监督算法不可行。
2.现有存在许多无监督算法,但检测异常的效果都不是很好。
1)多元时间序列数据中存在时间依赖性,因此基于距离的聚类放大如knn,os-svm以及基于密度估计的方法效果都不是很好,因为无法捕获不同时间步长的时间相关性。
2)多元时间序列数据在日常应用中通常包含噪声,噪声严重的时候可能会影响时间预测模型的泛化能力,因此如arma,lstm等方法会增加检测的误报率。
3)实际应用中,应该根据不同事件的严重性为操作员提供不同级别的异评分,现有的分析方法对噪声敏感,无法处理此类问题。
3 作者提出的方法
1.作者提出了一种多尺度卷积递归编码/解码器(MSCRED)
2.MSCRED首先构建多尺度签名矩阵,以表征不同时间步长的系统状态的多个级别&