超越共享：冲突感知的多变量时间序列异常检测
机器学习
2023-08-28 v2 人工智能
摘要
大量关键性能指示器（KPI）作为多变量时间序列数据（MTS）被监控，以确保软件应用与服务系统的可靠性。准确检测 MTS 的异常对于后续故障排除至关重要。异常的稀缺性与人工标注导致了各类自监督 MTS 异常检测（AD）方法的发展，这些方法优化涵盖所有指标回归目标/损失的总体目标/损失。然而，我们的实证研究发现指标间回归目标普遍存在冲突，导致 MTS 模型难以应对不同损失。这一关键方面显著影响检测性能，却被现有方法忽视。为解决该问题，通过模仿多门混合专家（MMoE）的设计，我们引入 CAD，一种冲突感知的多变量 KPI 异常检测算法。CAD 为每个指标提供独占结构以缓解潜在冲突，同时促进指标间增益。经深入探究，我们发现原始 MMoE 性能不佳主要源于 MTS 表述的输入-输出错位设定以及由庞大任务引发的收敛问题。为应对这些挑战，我们提出一种简洁而有效的面向任务的指标选择与 p&s（个性化与共享）门控机制，使 CAD 成为首个可行的基于多任务学习（MTL）的 MTS AD 模型。在多个公开数据集上的评估显示，CAD 在三个公开数据集上取得平均 0.943 的 F1 分数，显著优于最先进的方法。我们的代码可在 https://github.com/dawnvince/MTS_CAD 获取。
引用
@article{arxiv.2308.08915,
title = {Beyond Sharing: Conflict-Aware Multivariate Time Series Anomaly Detection},
author = {Haotian Si and Changhua Pei and Zhihan Li and Yadong Zhao and Jingjing Li and Haiming Zhang and Zulong Diao and Jianhui Li and Gaogang Xie and Dan Pei},
journal= {arXiv preprint arXiv:2308.08915},
year = {2023}
}
备注
11 pages, ESEC/FSE industry track 2023