[论文解读] Generating High-fidelity, Synthetic Time Series Datasets with DoppelGANger.

Zinan Lin, Alankar Jain+3 more|arXiv (Cornell University)|Sep 30, 2019

Generative Adversarial Networks and Image Synthesis被引用 12

一句话总结

DoppelGANger 是一种基于 GAN 的框架，通过将元数据生成与时间序列生成解耦，并利用元数据来条件化后者，从而生成具有混合连续和离散特征的高保真度合成时间序列数据。其生成的合成数据在保真度上比基线模型最高提升 43%，同时保持关键数据结构且不泄露隐私。

ABSTRACT

Limited data access is a substantial barrier to data-driven networking research and development. Although many organizations are motivated to share data, privacy concerns often prevent the sharing of proprietary data, including between teams in the same organization and with outside stakeholders (e.g., researchers, vendors). Many researchers have therefore proposed synthetic data models, most of which have not gained traction because of their narrow scope. In this work, we present DoppelGANger, a synthetic data generation framework based on generative adversarial networks (GANs). DoppelGANger is designed to work on time series datasets with both continuous features (e.g. traffic measurements) and discrete ones (e.g., protocol name). Modeling time series and mixed-type data is known to be difficult; DoppelGANger circumvents these problems through a new conditional architecture that isolates the generation of metadata from time series, but uses metadata to strongly influence time series generation. We demonstrate the efficacy of DoppelGANger on three real-world datasets. We show that DoppelGANger achieves up to 43% better fidelity than baseline models, and captures structural properties of data that baseline methods are unable to learn. Additionally, it gives data holders an easy mechanism for protecting attributes of their data without substantial loss of data utility.

研究动机与目标

• 解决由于对专有时间序列数据的隐私限制，导致网络研究中数据访问受限的挑战。
• 克服现有合成数据模型在有效处理混合类型时间序列数据方面的局限性。
• 开发一种可扩展且保护隐私的合成数据生成框架，同时保持下游应用中的数据可用性。
• 使数据持有者能够发布保护敏感属性的合成数据集，同时保留原始数据的结构和统计特性。

提出的方法

• 采用一种条件 GAN 架构，将元数据（如协议名称）的生成与时间序列特征（如流量测量值）的生成分离。
• 将元数据作为条件输入，引导生成器生成在语义上与元数据一致的时间序列数据。
• 应用条件生成器和判别器，以建模元数据与时间序列之间的依赖关系，提升保真度和结构准确性。
• 使用对抗性损失端到端训练模型，确保合成样本与真实数据无法区分。
• 集成特征自适应实例归一化层，以稳定在尺度差异较大的混合类型数据上的训练过程。
• 采用两阶段训练流程：先单独训练元数据生成器，再联合训练带元数据条件的时间序列生成器。

实验结果

研究问题

• RQ1 基于 GAN 的框架能否生成高保真度的合成时间序列数据，同时保留真实混合类型数据集的复杂结构特性？
• RQ2 DoppelGANger 的条件架构在建模离散元数据与连续时间序列特征之间依赖关系方面，相较于现有 GAN 模型表现如何？
• RQ3 DoppelGANger 在保护合成输出中的敏感属性的同时，能在多大程度上保持数据可用性？
• RQ4 与非条件或非条件 GAN 基线模型相比，其条件设计对保真度和泛化能力有何影响？

主要发现

• 在三个真实世界的时间序列数据集上，DoppelGANger 的保真度比基线模型最高提升 43%，该结果通过统计和分布相似性度量进行评估。
• 该模型成功捕捉了基线方法无法重现的长期时间依赖性和跨特征相关性。
• DoppelGANger 在合成数据中保留了周期性、突发性以及特征共现模式等结构特性。
• 数据持有者能够有效对敏感属性（如源 IP 地址、设备类型）进行匿名化处理，同时对分析或模型训练的数据可用性损失极小。
• 条件架构实现了元数据与时间序列生成的更好解耦，从而生成更真实且可控的合成样本。
• 该框架在多种网络数据集上表现出稳健性能，包括具有混合连续与离散特征的数据集。