MAD-GAN：基于生成对抗网络的时间序列数据多元异常检测
机器学习
2019-01-17 v1 机器学习
摘要
在智能建筑、工厂、发电厂和数据中心等许多现实世界系统中，联网传感器和执行器的普遍存在为这些系统产生了大量的多元时间序列数据。丰富的传感器数据可通过异常检测进行持续监测以发现入侵事件。然而，由于这些系统的动态复杂性，传统的基于阈值的异常检测方法并不充分，而监督式机器学习方法由于缺少标注数据而无法利用大量数据。另一方面，当前无监督机器学习方法尚未充分挖掘系统中多个变量（传感器/执行器）之间的时空相关性及其他依赖关系来检测异常。在本工作中，我们提出一种基于生成对抗网络（GANs）的无监督多元异常检测方法。我们提出的 MAD-GAN 框架并非独立地处理每个数据流，而是同时考虑整个变量集合以捕获变量间的潜在交互。我们还充分利用 GAN 生成的生成器和判别器，使用一种称为 DR-score 的新型异常分数，通过判别与重建来检测异常。我们使用从现实世界信息物理系统（CPS）收集的两个近期数据集——安全水处理（SWaT）和水分配（WADI）数据集——测试了所提出的 MAD-GAN。实验结果表明，在这些复杂的现实世界系统中，所提出的 MAD-GAN 能有效报告由各种网络入侵引起的异常。
引用
@article{arxiv.1901.04997,
title = {MAD-GAN: Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks},
author = {Dan Li and Dacheng Chen and Lei Shi and Baihong Jin and Jonathan Goh and See-Kiong Ng},
journal= {arXiv preprint arXiv:1901.04997},
year = {2019}
}
备注
This is a pre-print of an on-going work. arXiv admin note: text overlap with arXiv:1809.04758