eBay的工程师利用稳健的方法监测IT系统信号以发现异常。然而,信号规模的增长,无论是在体积还是维度上,都超过了传统的统计状态空间或监督学习工具。因此,最近的研究寻求基于无监督深度学习的最新方法。然而,在实现这些方法时,我们遇到了缺陷,例如需要部分监督和高维数据集的弱点,以及本文讨论的其他原因。本文提出一种从大型多元集合中推断异常的实用方法。在现实世界的应用中观察到大量时间序列,表现出异步和一致的重复变化,如IT、天气、效用和交通。我们的解决方案就是要利用这种行为。该解决方案利用对预训练自编码器的潜表示进行谱分析,以提取信号中的主要频率,然后在后续的网络中使用,该网络学习信号中的相移,并产生原始多元的同步表示。然后,将同步多元的随机子集输入到一个自动编码器数组中,学习最小化分位数重建损失,然后用于根据多数投票推断和定位异常。我们将该方法与公共数据集和eBay数据上最先进的方法进行基准测试,使用它们的参考评估方法。在此基础上,针对现有评价方法的局限性,提出了一种更为现实的评价方法。
Practical Approach to Asynchronous Multivariate Time Series Anomaly Detection and Localization
![](https://img-home.csdnimg.cn/images/20240711042549.png)