基于预测的多视角多元时间序列异常检测框架
机器学习
2022-01-14 v1
摘要
当今的网络世界具有高度的多元性。以极大多样性收集的度量指标需要多元算法来恰当检测异常。然而，基于预测（forecast-based）的算法作为被广泛验证的方法，在不同数据集上常表现次优或不稳定。一个关键共性是它们力求“一刀切”，但异常本质上各具特征。我们提出一种针对此种差异的方法。提出 FMUAD——一种基于预测、多视角、无监督的异常检测（Anomaly Detection）框架。FMUAD 通过独立模块显式且分别地捕捉异常类型的标志性特征——空间变化、时间变化与相关变化。随后这些模块联合学习最优特征表示，该表示高度灵活且直观，不同于该类别中大多数其他模型。大量实验表明，我们的 FMUAD 框架始终优于其他最先进的基于预测的异常检测器。
引用
@article{arxiv.2201.04792,
title = {Forecast-based Multi-aspect Framework for Multivariate Time-series Anomaly Detection},
author = {Lan Wang and Yusan Lin and Yuhang Wu and Huiyuan Chen and Fei Wang and Hao Yang},
journal= {arXiv preprint arXiv:2201.04792},
year = {2022}
}
备注
Published at IEEE BigData 2021