RePAD：面向时间序列的实时主动异常检测
机器学习
2023-01-11 v8 机器学习
摘要
在过去十年中，许多异常检测方法被引入网络监控、欺诈检测和入侵检测等不同领域。然而，它们需要理解数据模式，且常常需要较长的离线期来为目标数据建立模型或网络。在无人工干预和领域知识的情况下，为流时间序列提供实时主动异常检测极具价值，因为它可大幅减少人力投入，并在灾难性损坏、故障或其他有害事件发生前采取适当对策。然而，该问题尚未得到充分研究。为此，本文提出 RePAD，一种基于长短期记忆（LSTM）的流时间序列实时主动异常检测算法。RePAD 利用短期历史数据点预测并判断下一个数据点是否为近期可能发生异常的信号。通过随时间动态调整检测阈值，RePAD 能够容忍时间序列中的轻微模式变化，并主动或及时地检测异常。基于 Numenta Anomaly Benchmark 收集的两个时间序列数据集的实验表明，RePAD 能够在无人工干预和领域知识的情况下实时主动检测异常并提供早期预警。
引用
@article{arxiv.2001.08922,
title = {RePAD: Real-time Proactive Anomaly Detection for Time Series},
author = {Ming-Chang Lee and Jia-Chun Lin and Ernst Gunnar Gran},
journal= {arXiv preprint arXiv:2001.08922},
year = {2023}
}