TimeSeriesBench：面向时间序列异常检测模型的工业级基准
机器学习
2024-09-04 v3
摘要
时间序列异常检测（TSAD）因其在提升现代软件系统稳定性方面的实际应用而受到广泛关注。然而，目前尚无有效方法验证这些模型是否能满足实际部署需求。首先，当前算法通常为每条时间序列训练特定模型，而在拥有数万条曲线的规模化系统中，维护如此众多的模型并不切实际；仅使用单一统一模型进行异常检测的性能仍属未知。其次，大多数 TSAD 模型在时间序列的历史部分进行训练，并在其未来片段上进行测试；但在分布式系统中，频繁的系统部署与升级导致每日涌现新的、此前未见过的时间序列，现有 TSAD 算法在测试此类新流入的未见时间序列时的性能仍属未知。最后，现有基准中评估指标的假设与实际需求相去甚远。为解决上述问题，我们提出了工业级基准 TimeSeriesBench。我们在超过 168 种评估设置下评估了现有算法的性能，并为未来异常检测算法的设计提供了全面分析。同时，我们随 TimeSeriesBench 发布了一个工业数据集。
引用
@article{arxiv.2402.10802,
title = {TimeSeriesBench: An Industrial-Grade Benchmark for Time Series Anomaly Detection Models},
author = {Haotian Si and Jianhui Li and Changhua Pei and Hang Cui and Jingwen Yang and Yongqian Sun and Shenglin Zhang and Jingjing Li and Haiming Zhang and Jing Han and Dan Pei and Gaogang Xie},
journal= {arXiv preprint arXiv:2402.10802},
year = {2024}
}
备注
Accepted by ISSRE'24