异构域多元时间序列的无监督异常检测
机器学习
2025-04-01 v1
摘要
数字服务的广泛采用，及其运行的规模和复杂性，使得 IT 运维中的事件越来越频繁、多样且影响深远。这推动了“人工智能 IT 运维”（AIOps）核心方面的快速发展，其重点在于检测服务实体产生的大量多元时间序列数据中的异常。在本文中，我们首先引入了一个用于基准测试无监督异常检测（AD）方法的统一框架，并强调了在实际 AIOps 场景中可能出现的正常行为偏移问题。为了解决域偏移下的异常检测问题，我们随后将该问题置于域泛化框架中，并提出了一种新方法——用于异常检测的域不变 VAE（Domain-Invariant VAE for Anomaly Detection, DIVAD），以学习用于无监督异常检测的域不变表示。我们使用 Exathlon 基准的评估结果表明，两个主要的 DIVAD 变体在最大性能上显著优于最佳的无监督 AD 方法，其最大峰值 F1 分数分别提高了 20% 和 15%。使用 Application Server Dataset 进行的评估进一步证明了我们的域泛化方法的更广泛适用性。
引用
@article{arxiv.2503.23060,
title = {Unsupervised Anomaly Detection in Multivariate Time Series across Heterogeneous Domains},
author = {Vincent Jacob and Yanlei Diao},
journal= {arXiv preprint arXiv:2503.23060},
year = {2025}
}