HFN：面向多元时间序列异常检测的异构图特征网络
机器学习
2022-11-03 v2 人工智能
密码学与安全
摘要
对工业设备或计算机系统的网络或物理攻击可能造成巨大损失。因此，基于监测数据（尤其是多元时间序列（MTS）数据）快速准确的异常检测（AD）具有重要意义。作为MTS数据异常检测的关键步骤，不同变量间关系的学习已被许多方法探索。然而，现有多数方法未考虑变量间的异质性，即不同类型的变量（连续数值变量、离散类别变量或混合变量）可能具有不同且独特的边分布。本文提出一种基于异构图特征网络（HFN）的半监督MTS异常检测新框架，从大量无标签时间序列数据中学习异构结构信息以提升异常检测准确率，并利用注意力系数为检测出的异常提供解释。具体而言，我们首先结合由传感器嵌入生成的嵌入相似子图与由传感器数值生成的特征值相似子图构建时间序列异构图，充分利用变量间丰富的异构互信息。随后，联合优化含节点与通道注意力的预测模型以获得更好的时间序列表示。该方法融合了异构图结构学习（HGSL）与表示学习的前沿技术。在四个真实应用传感器数据集上的实验表明，本方法比基线方法更准确地检测异常，从而为异常快速定位提供依据。
引用
@article{arxiv.2211.00277,
title = {HFN: Heterogeneous Feature Network for Multivariate Time Series Anomaly Detection},
author = {Jun Zhan and Chengkun Wu and Canqun Yang and Qiucheng Miao and Xiandong Ma},
journal= {arXiv preprint arXiv:2211.00277},
year = {2022}
}