[论文解读] 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 4

一句话总结

本文提出了一种新颖的无监督异常检测方法，用于多季节性时间序列，基于分解-推理主干模型的预测驱动方法。该方法引入了局部趋势不一致性（LTI），一种以高效率按时间顺序计算异常得分的度量方法，在AUC性能上优于现有方法，同时在真实世界和UCI数据集上保持了快速推理速度。

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.

研究动机与目标

• 解决在具有复杂多季节性模式的时间序列中进行无监督异常检测的挑战。
• 克服因无标签时间序列数据量持续增长而带来的监督学习局限性。
• 开发一种适用于数据中心和传感器网络等关键系统在线监控的实时、高效检测方法。
• 设计一种捕捉局部趋势偏差的度量方法，以提升在复杂季节性模式下的异常敏感度。
• 在无需标注异常实例的情况下确保高检测准确率。

提出的方法

• 采用结合序列分解与推理组件的主干模型，以建模多季节性时间序列结构。
• 引入局部趋势不一致性（LTI）作为新型度量方法，用于量化与预期局部趋势的偏离程度。
• 沿时间序列顺序计算LTI得分，以实现在线、实时的异常检测。
• 利用推理头预测未来值，并将其与实际观测值进行比较，以计算不一致性。
• 采用滑动窗口方法，以保持计算效率并适应趋势变化。
• 根据每个数据点的LTI值分配异常得分，从而实现概率化的异常评估。

实验结果

研究问题

• RQ1 如何在无标签数据的情况下有效实现多季节性时间序列的异常检测？
• RQ2 与现有无监督方法相比，基于预测的方法是否能在复杂季节性模式下提升检测性能？
• RQ3 如何设计异常检测系统以支持生产环境中实时部署？
• RQ4 所提出的LTI度量在多大程度上能捕捉到反映异常的有意义的局部趋势偏差？
• RQ5 在在线异常检测中，检测准确率与计算效率之间的权衡如何？

主要发现

• 所提方法在UCI数据集和真实生产数据上，与若干代表性无监督异常检测算法相比，AUC指标表现更优。
• 该方法保持了高时间效率，支持在在线监控场景中实时部署。
• LTI有效捕捉了局部趋势不一致性，提升了在复杂季节性模式下对细微异常的敏感度。
• 该模型在具有不同季节结构和噪声水平的多样化时间序列上表现出良好的泛化能力。
• 由于其顺序计算设计，检测算法具有高效的可扩展性，支持大规模时间序列监控。