Practical Approach to Asynchronous Multivariate Time Series Anomaly Detection and Localization

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。