Обнаружение аномалий в многомерных временных рядах на основе графовых нейронных сетей

Как обнаруживать аномальные события, такие как отказы и атаки на системы, по многомерным данным временных рядов, например данным с датчиков? Более сложная задача заключается в том, чтобы делать это с учетом сложных взаимосвязей между датчиками, а также обнаруживать и объяснять аномалии, отклоняющиеся от этих взаимосвязей. В последнее время методы глубокого обучения позволили повысить качество обнаружения аномалий в многомерных наборах данных; однако существующие методы не обучаются явно структуре имеющихся взаимосвязей между переменными и не используют ее для прогнозирования ожидаемого поведения временных рядов. Наш подход объединяет метод обучения структуры с графовыми нейронными сетями и дополнительно использует веса внимания для обеспечения интерпретируемости обнаруженных аномалий. Эксперименты на двух наборах данных с реальных датчиков, содержащих аномалии с известной истинной разметкой, показывают, что наш метод обнаруживает аномалии точнее базовых методов, корректно выявляет корреляции между датчиками и позволяет пользователям установить первопричину обнаруженной аномалии.