[論文レビュー] Local Trend Inconsistency: A Prediction-driven Approach to Unsupervised Anomaly Detection in Multi-seasonal Time Series.

Wentai Wu, Ligang He+1 more|arXiv (Cornell University)|Aug 3, 2019

Anomaly Detection Techniques and Applications参考文献 1被引用数 4

ひとこと要約

本稿では、分解・推論バックボーンモデルに基づく予測駆動型アプローチを用いて、マルチシーズン性を持つ時系列データに対する新たな教師なし異常検出手法を提案する。Local Trend Inconsistency (LTI) と呼ばれる指標を導入し、時間的順に高効率に異常スコアを計算する。従来手法を上回るAUC性能を達成しながら、実世界およびUCIのデータセットでも高速な推論を維持する。

ABSTRACT

On-line detection of anomalies in time series is a key technique in various event-sensitive scenarios such as robotic system monitoring, smart sensor networks and data center security. However, the increasing diversity of data sources and demands are making this task more challenging than ever. First, the rapid increase of unlabeled data makes supervised learning no longer suitable in many cases. Second, a great portion of time series have complex seasonality features. Third, on-line anomaly detection needs to be fast and reliable. In view of this, we in this paper adopt an unsupervised prediction-driven approach on the basis of a backbone model combining a series decomposition part and an inference part. We then propose a novel metric, Local Trend Inconsistency (LTI), along with a detection algorithm that efficiently computes LTI chronologically along the series and marks each data point with a score indicating its probability of being anomalous. We experimentally evaluated our algorithm on datasets from UCI public repository and a production environment. The result shows that our scheme outperforms several representative anomaly detection algorithms in Area Under Curve (AUC) metric with decent time efficiency.

研究の動機と目的

• 複雑なマルチシーズン性を持つ時系列における教師なし異常検出の課題に対処すること。
• 増加するラベルなし時系列データのため、教師あり学習の限界を克服すること。
• データセンターやセンサーネットワークなどの重要なシステムにおけるオンライン監視に適したリアルタイムで効率的な検出手法を開発すること。
• 複雑なシーズン性パターンにおける異常感度を向上させるために、局所的トレンドのずれを捉える指標を設計すること。
• ラベル付き異常インスタンスを必要とせずに高い検出精度を確保すること。

提案手法

• マルチシーズン性を持つ時系列構造をモデル化するため、系列の分解と推論コンponentを組み合わせたバックボーンモデルを採用する。
• 期待される局所的トレンドからのずれを定量化する新たな指標として、Local Trend Inconsistency (LTI) を導入する。
• 時系列に沿ってLTIスコアを逐次計算することで、オンライン・リアルタイム異常検出を可能にする。
• 推論ヘッドを用いて将来値を予測し、実際の観測値と比較することで不一致度を計算する。
• 計算効率を維持し、変化するトレンドに適応するため、スライディングウィンドウ手法を適用する。
• 各データポイントにそのLTI値に基づく異常スコアを割り当て、確率的異常評価を可能にする。

実験結果

リサーチクエスチョン

• RQ1 ラベルなしデータを用いて、マルチシーズン性を持つ時系列における異常検出を効果的に行う方法は何か？
• RQ2 従来の教師なし手法と比較して、予測駆動型アプローチが複雑なシーズン性パターンにおける検出性能を向上させられるか？
• RQ3 生産環境におけるリアルタイム配備をサポートするには、どの程度効率的に異常検出システムを設計できるか？
• RQ4 提案されたLTI指標は、異常を示す意味のある局所的トレンドのずれをどの程度適切に捉えられるか？
• RQ5 オンライン異常検出において、検出精度と計算効率のトレードオフはどのようなものか？

主な発見

• 提案手法は、UCIデータセットおよび実際の生産データの両方において、複数の代表的な教師なし異常検出アルゴリズムと比較して、AUCという観点で優れた性能を達成した。
• 高速な時間効率を維持しており、オンライン監視のシナリオにおけるリアルタイム配備が可能である。
• LTIは局所的トレンドの不一致を効果的に捉えており、複雑なシーズン性パターンにおける微細な異常に対する感度を向上させた。
• さまざまな季節的構造とノイズレベルを有する多様な時系列に、良好な汎化性能を示した。
• 逐次計算設計のおかげで、大規模な時系列監視に適したスケーラブルな検出アルゴリズムとなった。