Обнаружение аномалий в многомерных временных рядах на основе графовых нейронных сетей
Graph Neural Network-Based Anomaly Detection in Multivariate Time Series
2021-05-18
SCID: 54.1/qf6gkdj5
Discuss with AI
обнаружение аномалийграфовые нейронные сетимежсенсорные взаимосвязимногомерные временные рядыобучение структуры
Figures from the paper
Abstract (AI)
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.
Key Findings
1
Веса внимания обеспечивают объяснение обнаруженных аномалий и помогают определить датчики, связанные с аномальным поведением.
2
Эксперименты на двух реальных наборах сенсорных данных с размеченными аномалиями показали более высокую точность обнаружения по сравнению с базовыми методами.
3
Подход точно выявляет корреляции между датчиками и позволяет определять первопричину обнаруженных аномалий.
4
Метод объединяет обучение структуры с графовыми нейронными сетями для моделирования сложных взаимосвязей между переменными многомерных временных рядов.
Research Object
многомерные временные ряды сенсорных данных высокой размерности
Research Subject
аномальные события и их первопричины, характеризующиеся отклонениями от выявленных взаимосвязей между датчиками и ожидаемого поведения временных рядов
Publication Details
Publication Date
2021-05-18
Journal
Publisher
ISSN
Cited by
1410
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai5
Полуобучаемая классификация с использованием графовых сверточных сетей2016
Пространственно-временные графовые сверточные сети: платформа глубокого обучения для прогнозирования трафика2018
Обзор выявления выбросов/аномалий во временных рядах2021
DeepAnT: Подход на основе глубокого обучения для неконтролируемого обнаружения аномалий во временных рядах2018
Обнаружение уязвимостей, специфичных для функциональности, путем поиска индивидуальных эквивалентных по функциональности API в открытых репозиториях2025
Работы, цитирующие эту статью9
Глубокое обучение для обнаружения аномалий во временных рядах: обзор2024
Глубокое обучение для обнаружения аномалий во временных рядах данных: обзор, анализ и рекомендации2021
Обучение структур графов с помощью Transformer для обнаружения аномалий в многомерных временных рядах в Интернете вещей2021
Обзор графовых нейронных сетей для временных рядов: прогнозирование, классификация, импутация и обнаружение аномалий2024
DCdetector: контрастивное обучение представлений временных рядов с двойным вниманием для обнаружения аномалий2023
Обнаружение аномалий в графах с помощью графовых нейронных сетей: современное состояние и проблемы2022
Обзор глубокого обнаружения аномалий в многомерных временных рядах: таксономия, приложения и направления исследований2025
GNN-IDS: система обнаружения вторжений на основе графовой нейронной сети2024
Anomaly Transformer: обнаружение аномалий во временных рядах с использованием расхождения ассоциаций2024