Надёжное обнаружение аномалий в многомерных временных рядах с использованием стохастической рекуррентной нейронной сети

Промышленные устройства (то есть объекты), такие как серверные машины, космические аппараты, двигатели и другие устройства, обычно контролируются с помощью многомерных временных рядов, а обнаружение аномалий в них имеет критическое значение для управления качеством обслуживания объекта. Однако из-за сложных временных зависимостей и стохастичности многомерных временных рядов обнаружение аномалий остаётся серьёзной проблемой. В данной работе предлагается OmniAnomaly — стохастическая рекуррентная нейронная сеть для обнаружения аномалий в многомерных временных рядах, обеспечивающая устойчивую работу с различными устройствами. Основная идея заключается в выявлении нормальных закономерностей многомерных временных рядов посредством обучения их устойчивых представлений с использованием таких ключевых методов, как стохастические связи переменных и планарные нормализующие потоки, восстановлении входных данных на основе этих представлений и использовании вероятностей реконструкции для выявления аномалий. Кроме того, для обнаруженной аномалии объекта OmniAnomaly может предоставлять интерпретации на основе вероятностей реконструкции составляющих его одномерных временных рядов. Эксперименты по оценке проведены на двух общедоступных наборах данных из аэрокосмической отрасли и на новом наборе данных о серверных машинах, собранном и опубликованном авторами совместно с интернет-компанией. На трёх наборах данных из реального мира OmniAnomaly достигает общего значения F1-меры 0,86, значительно превосходя лучший базовый метод на 0,09. Точность интерпретации OmniAnomaly достигает 0,89.