[논문 리뷰] Local Trend Inconsistency: A Prediction-driven Approach to Unsupervised Anomaly Detection in Multi-seasonal Time Series.

Wentai Wu, Ligang He외 1명|arXiv (Cornell University)|2019. 08. 03.

Anomaly Detection Techniques and Applications참고 문헌 1인용 수 4

한 줄 요약

이 논문은 다중 계절성 시계열에 대한 새로운 비지도 이상 탐지 방법을 제안한다. 예측 기반의 분해-추론 기반 모델을 바탕으로 하며, 국소적 추세 비일관성(LTI)이라는 메트릭을 도입하여 높은 효율성으로 시계열적으로 이상 점수를 계산한다. 이는 기존 방법보다 AUC 성능을 뛰어나게 하면서도 실제 데이터 및 UCI 데이터셋에서 빠른 추론을 유지한다.

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.

연구 동기 및 목표

• 복잡한 다중 계절성 패턴을 가진 시계열에서 비지도 이상 탐지의 과제를 해결한다.
• 증가하는 비라벨 시계열 데이터로 인해 감독 학습의 한계를 극복한다.
• 데이터 센터 및 센서 네트워크와 같은 중요한 시스템에서 온라인 모니터링에 적합한 실시간·효율적인 탐지 방법을 개발한다.
• 복잡한 계절성 패턴에서의 이상 감도를 향상시키기 위해 국소적 추세 이탈을 캡처하는 메트릭을 설계한다.
• 라벨이 부여된 이상 인스턴스가 필요 없이도 높은 탐지 정확도를 확보한다.

제안 방법

• 다중 계절성 시계열의 구조를 모델링하기 위해 시계열 분해와 추론 구성 요소를 결합한 백본 모델을 사용한다.
• 기대하는 국소적 추세에서의 이탈을 정량화하기 위해 새로운 메트릭인 국소적 추세 비일관성(LTI)을 도입한다.
• 시계열을 따라 순차적으로 LTI 점수를 계산하여 온라인 실시간 이상 탐지가 가능하게 한다.
• 추론 헤드를 사용해 향후 값을 예측하고 실제 관측치와 비교하여 비일관성을 계산한다.
• 계산 효율성을 유지하고 변화하는 추세에 적응하기 위해 슬라이딩 윈도우 방식을 적용한다.
• 각 데이터 포인트에 대해 LTI 값에 기반한 이상 점수를 할당하여 확률적 이상 평가가 가능하게 한다.

실험 결과

연구 질문

• RQ1 라벨이 없는 데이터로 다중 계절성 시계열에서 이상 탐지를 효과적으로 수행할 수 있는가?
• RQ2 기존 비지도 방법과 비교해 예측 기반 접근 방식이 복잡한 계절성 패턴에서 탐지 성능을 향상시킬 수 있는가?
• RQ3 생산 환경에서 실시간 구현을 지원하기 위해 이상 탐지 시스템을 얼마나 효율적으로 설계할 수 있는가?
• RQ4 제안된 LTI 메트릭이 이상을 나타내는 의미 있는 국소적 추세 이탈을 얼마나 잘 캡처하는가?
• RQ5 온라인 이상 탐지에서 탐지 정확도와 계산 효율성 사이의 상호 상충 관계는 어떠한가?

주요 결과

• 제안된 방법은 UCI 데이터셋과 실제 생산 환경 데이터 모두에서 몇 가지 대표적인 비지도 이상 탐지 알고리즘보다 면적 아래 곡선(AUC) 성능에서 뛰어난 성능을 달성한다.
• 높은 시간 효율성을 유지하여 온라인 모니터링 시나리오에서 실시간 배포가 가능하다.
• LTI는 국소적 추세 비일관성을 효과적으로 캡처하여 복잡한 계절성 패턴에서 미세한 이상에 대한 감도를 향상시킨다.
• 다양한 계절성 구조와 노이즈 수준을 가진 다양한 시계열에 대해 잘 일반화된다.
• 순차적 계산 설계 덕분에 탐지 알고리즘이 효율적으로 확장 가능하여 대규모 시계열 모니터링을 지원한다.