通过捕获粗粒度内部与外部变量依赖实现多变量时间序列异常检测

多变量时间序列异常检测是网页应用运营中必不可少的任务，直接影响实施补救或预防措施的效果和时效性。该任务常被建模为半监督学习问题，仅利用正常数据进行模型训练，主要due to 数据标注费用高昂且异常数据稀缺。现有半监督方法往往通过捕获内部变量的时间依赖性和/或外部变量之间的关系来学习正常模式，将偏离这些模式的时间戳标记为异常。然而，这些方法往往难以捕获时间序列中显著的内部变量时间依赖性和外部变量关系，因为其关注过于细粒度，导致性能 suboptimal。本研究引入 MtsCID，一种新型半监督多变量时间序列异常检测方法。MtsCID 采用双网络架构：一个网络在多尺度内部变量块的注意力图上 operate，以实现粗粒度的时间依赖性学习；另一个网络针对变量进行操作，通过卷积与正弦原型的交互来捕获粗粒度的外部变量关系。该设计增强了对内部变量时间依赖性和外部变量关系模式的捕获能力，显著提升了检测性能。跨七个广泛使用的数据集的大量实验表明，MtsCID 在性能上与最先进的基准方法相当或更优。