基于融合学习的无监督多维时间序列异常检测

作     者：周小晖 王意洁 徐鸿祚 刘铭宇 Zhou Xiaohui;Wang Yijie;Xu Hongzuo;Liu Mingyu

作者机构：并行与分布处理国家重点实验室(国防科技大学)长沙410073 国防科技大学计算机学院长沙410073 

出 版 物：《计算机研究与发展》 (Journal of Computer Research and Development)

年 卷 期：2023年第60卷第3期

页      面：496-508页

核心收录：

学科分类：081203[工学-计算机应用技术] 08[工学] 0714[理学-统计学（可授理学、经济学学位）] 0835[工学-软件工程] 0701[理学-数学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：科技创新2030——“新一代人工智能”重大项目(2022ZD0115302) 国家自然科学基金项目(61379052) 国家教育部科研创新基金项目(2018A02002) 湖南省自然科学杰出青年基金项目(14JJ1026) 

主　　题：多维时间序列 无监督异常检测 信息依赖 融合学习 自注意力 

摘      要：随着多云时代的到来,云际智能运维能够提前检测处理云平台的故障,从而确保其高可用性.由于云系统的复杂性,运维数据在数据局部性和数据全局性上呈现出多样的时间依赖和维度间依赖,这给多维时间序列异常检测带来很大的挑战.然而,现有的多维时间序列异常检测方法大多是从正常时序数据中学习到特征表示并基于重构误差或预测误差检测异常,这些方法无法同时捕获多维时间序列在局部性和全局性上的信息依赖,从而导致异常检测效果差.针对上述问题,提出了一种基于融合学习的无监督多维时间序列异常检测方法,同时对多维时间序列的数据局部特征和数据全局特征进行建模,得到更加丰富的时序重构信息,并基于重构误差检测异常.具体地,通过在时域卷积网络中引入自注意力机制使得模型在构建局部关联性的同时更加关注数据全局特征,并在时域卷积模块和自注意力模块间加入信息共享机制实现信息融合,从而能够更好地对多维时序的正常模式进行重构.在多个多维时间序列真实数据集上的实验结果表明,相较于之前的多维时间序列异常检测,提出的方法在F1分数上提升了高达0.0882.