[論文レビュー] Graph Neural Network-Based Anomaly Detection in Multivariate Time Series

Ailin Deng, Bryan Hooi|arXiv (Cornell University)|Jun 13, 2021

Anomaly Detection Techniques and Applications被引用数 12

ひとこと要約

本稿では、アテンションベースのGNNを用いて依存関係をモデル化することで、マルチ変数時系列データにおけるセンサー関係の共同学習と異常検出を実現する新規なグラフニューラルネットワークアプローチ、Graph Deviation Network (GDN) を提案する。GDNは、実世界のセンサーデータセットにおける異常検出精度をベースラインを上回り、学習されたセンサーエンベッディング、グラフ構造、アテンション重みを通じて解釈可能な説明を提供し、原因究明を可能にする。

ABSTRACT

Given high-dimensional time series data (e.g., sensor data), how can we detect anomalous events, such as system faults and attacks? More challengingly, how can we do this in a way that captures complex inter-sensor relationships, and detects and explains anomalies which deviate from these relationships? Recently, deep learning approaches have enabled improvements in anomaly detection in high-dimensional datasets; however, existing methods do not explicitly learn the structure of existing relationships between variables, or use them to predict the expected behavior of time series. Our approach combines a structure learning approach with graph neural networks, additionally using attention weights to provide explainability for the detected anomalies. Experiments on two real-world sensor datasets with ground truth anomalies show that our method detects anomalies more accurately than baseline approaches, accurately captures correlations between sensors, and allows users to deduce the root cause of a detected anomaly.

研究の動機と目的

• 高次元のマルチ変数時系列データにおける異常検出という課題に取り組むこと。この際、複雑で非線形なセンサー関係が正確な検出に不可欠である。
• 入力として与えられるグラフ構造を仮定するのではなく、データから動的にセンサー関係の背後にあるグラフ構造を学習すること。
• センサー間の依存関係に基づいて期待されるセンサー動作をモデル化することで、異常検出を向上させ、通常パターンからの逸脱を検出可能にする。
• センサーエンベッディング、アテンション重み、予測値と観測値の比較を通じて、検出された異常の解釈可能な説明を提供すること。
• 学習されたグラフにおける逸脱するセンサーとその最も影響力のある隣接センサーを特定することで、異常を原因の場所に局在化すること。

提案手法

• 各センサーの固有の特徴を捉えるためにセンサーエンベッディングを用い、多様なセンサータイプを柔軟に表現可能にする。
• データからセンサー間の関係を推定するグラフ構造学習モジュールを採用し、依存関係の動的グラフを構築する。
• 学習されたグラフ内の隣接センサーからの重み付き寄与に基づいて、センサー値を予測するグラフアテンションベースの予測メカニズムを適用する。
• 予測値と実際のセンサー値の乖離を測定することでグラフデバイアションスコアを計算し、異常を特定する。
• アテンション重みを活用して重要な関係を強調し、異常説明における解釈可能性を向上させる。
• センサーエンベッディングのt-SNE可視化とアテンション重み付きグラフのフォースディレクテッドレイアウトを用いて、解釈可能性を支援する。

実験結果

リサーチクエスチョン

• RQ1 GNNベースのアプローチは、事前グラフ構造が与えられていないマルチ変数時系列データにおいて、意味的なセンサー関係を学習できるか？
• RQ2 提案手法は、実世界のセンサーデータセットにおいて、既存のベースラインと比較してどの程度高い精度で異常を検出できるか？
• RQ3 モデルは、センサーエンベッディング、グラフ構造、アテンション重みを通じて、異常をどの程度解釈可能に説明できるか？
• RQ4 学習されたグラフにおける最も逸脱したセンサーとその影響力のある隣接センサーを特定することで、異常原因を局在化できるか？
• RQ5 従来の手法では検出が難しいが、正常範囲内での誤った読み取りなど、微細な異常を効果的に検出できるか？

主な発見

• GDNは、真の異常が明示された2つの実世界の水処理プラントデータセットにおいて、ベースライン手法を上回る高い異常検出精度を達成した。
• センサーエンベッディング空間における局所的クラスタリングから、モデルがセンサー間の複雑で非線形な相関関係を的確に捉えていることが裏付けられた。
• 学習されたグラフにおけるアテンション重みは、流量センサーとバルブ状態センサーの間の相関関係など、意味的なセンサー関係を明確に際立たせ、異常の原因局在化に貢献した。
• 事例研究では、攻撃時においてGDNが1_MV_001_STATUSセンサーを最も逸脱したセンサーとして正しく同定し、攻撃を受けていた1_FIT_001_PV流量センサーに高いアテンション重みを示した。
• 予測値と実際のセンサー値の比較から、攻撃時における大きな乖離が確認され、異常検出メカニズムの有効性が裏付けられた。
• 可視化されたエンベッディングとアテンション重み付きグラフといったモデルの解釈性機能により、ユーザーは異常原因を効果的に特定することができた。