RobustTAD：基于分解与卷积神经网络的鲁棒时间序列异常检测
机器学习
2021-09-21 v2 信号处理
应用统计
机器学习
摘要
阿里巴巴集团对海量且多样的时序数据进行监控与管理，亟需一种高效且可扩展的时序异常检测服务。本文提出 RobustTAD，一种通过融合鲁棒季节-趋势分解与卷积神经网络实现的鲁棒时间序列异常检测框架。季节-趋势分解能够有效处理时间序列中的复杂模式，同时显著简化神经网络架构——该架构为带有跳跃连接的编码器-解码器结构。此架构可有效捕获时间序列中的多尺度信息，对异常检测十分有用。鉴于时序异常检测中标注数据有限，我们系统研究了时域与频域的数据增强方法。我们还利用时序异常检测问题的不平衡特性，在损失函数中引入基于标签的权重与基于数值的权重。与广泛使用的基于预测的异常检测算法、基于分解的算法、传统统计算法以及近期基于神经网络的算法相比，RobustTAD 在公开基准数据集上表现显著更优。它已部署为公开在线服务，并在阿里巴巴集团的不同业务场景中广泛采用。
引用
@article{arxiv.2002.09545,
title = {RobustTAD: Robust Time Series Anomaly Detection via Decomposition and Convolutional Neural Networks},
author = {Jingkun Gao and Xiaomin Song and Qingsong Wen and Pichao Wang and Liang Sun and Huan Xu},
journal= {arXiv preprint arXiv:2002.09545},
year = {2021}
}
备注
Extended version of the paper at ACM SIGKDD Workshop on Mining and Learning from Time Series (KDD-MiLeTS 2020); 9 pages, 5 figures, and 2 tables