Нейросетевой метод обнаружения аномалий в многомерных потоковых временных рядах

Я. А. Краева

Южно-Уральский государственный университет (454080 Челябинск, пр. им. В.И. Ленина, д. 76)

Аннотация: В статье рассмотрена задача детекции аномальных подпоследовательностей многомерного потокового временного ряда, элементы которого поступают в режиме реального времени, возникающая в настоящее время в широком спектре предметных областей: промышленный Интернет вещей, персональное здравоохранение и др. Предложен новый метод решения указанной задачи, получивший название mDiSSiD (Discord, Snippet, and Siamese Neural Network-based Detector of multivariate anomalies). Предложенный метод использует концепцию диссонанса временного ряда (подпоследовательность, имеющая наиболее не похожего на нее ближайшего соседа), обобщенную на многомерный случай. Под многомерным диссонансом понимается $N$-мерная подпоследовательность $d$-мерного временного ряда (где $1 \leqslant N \leqslant d$), которая наиболее не похожа на все остальные подпоследовательности $N$-мерных временных рядов, полученных путем составления всевозможных сочетаний из $d$ рядов по $N$. Детекция аномалий реализуется с помощью нейросетевой модели на основе сиамских нейросетей. Вычислительные эксперименты на реальных временных рядах из различных предметных областей показали, что метод mDiSSiD в среднем опережает по точности обнаружения аномалий передовые аналоги, использующие иные нейросетевые подходы (сверточные и рекуррентные нейронные сети, автоэнкодеры, генеративно-состязательные сети).

Ключевые слова: многомерный временной ряд, поиск аномалий, диссонанс, сниппет, сиамская нейронная сеть.

УДК: 004.272.25, 004.421, 004.032.24

Поступила в редакцию: 20.10.2024

DOI: 10.14529/cmse240403