在频域中学习多模式正态性以实现高效时间序列异常检测
机器学习
2024-03-20 v2 人工智能
摘要
异常检测显著增强了云系统的鲁棒性。尽管基于神经网络的方法近期展现出强大优势，它们在云环境中面临实际挑战：为每个服务维护独有模型的不切实际性与统一模型处理多样正态模式能力有限之间的矛盾，以及实时处理高流量与短期异常检测灵敏度方面的问题。为此，我们提出 MACE，一种在频域中容纳多正态模式且高效的时间序列异常检测方法。它有三个新颖特性：（i）一种擅长以统一模型处理多样正态模式的模式提取机制，使模型通过考察数据样本与其服务正态模式间的相关性来识别异常，而非仅关注数据样本本身；（ii）一种二元卷积机制，在时域放大短期异常并在频域阻碍异常重建，从而扩大异常与正常间的重建误差差异并便利异常检测；（iii）利用频域的稀疏性与并行性提升模型效率。我们从理论与实验上证明，与使用完整频谱相比，使用策略性选取的傅里叶基子集不仅能降低计算开销，还有助于区分异常。此外，大量实验表明 MACE 在以统一模型处理多样正态模式上的有效性，并以高效率取得最先进（SOTA）性能。
引用
@article{arxiv.2311.16191,
title = {Learning Multi-Pattern Normalities in the Frequency Domain for Efficient Time Series Anomaly Detection},
author = {Feiyi Chen and Yingying zhang and Zhen Qin and Lunting Fan and Renhe Jiang and Yuxuan Liang and Qingsong Wen and Shuiguang Deng},
journal= {arXiv preprint arXiv:2311.16191},
year = {2024}
}
备注
Accepted by IEEE 40th International Conference on Data Engineering (ICDE 2024)