論文の概要: Efficient pattern-based anomaly detection in a network of multivariate devices

• arxiv url: http://arxiv.org/abs/2305.05538v1
• Date: Sun, 7 May 2023 16:05:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-10 12:22:20.027728
• Title: Efficient pattern-based anomaly detection in a network of multivariate devices
• Title（参考訳）: 多変量デバイスネットワークにおける効率的なパターンベース異常検出
• Authors: Len Feremans, Boris Cule, Bart Goethals
• Abstract要約: 2段階のアプローチで異常を検出するスケーラブルな手法を提案する。 まず、ネットワーク内のエンティティ間の関係を復元する。なぜなら関係は自然界において動的であり、原因不明のプロセスによって引き起こされることが多いからだ。 次に、逐次パターンの埋め込みに基づく異常を報告する。
• 参考スコア（独自算出の注目度）: 0.17188280334580192
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many organisations manage service quality and monitor a large set devices and servers where each entity is associated with telemetry or physical sensor data series. Recently, various methods have been proposed to detect behavioural anomalies, however existing approaches focus on multivariate time series and ignore communication between entities. Moreover, we aim to support end-users in not only in locating entities and sensors causing an anomaly at a certain period, but also explain this decision. We propose a scalable approach to detect anomalies using a two-step approach. First, we recover relations between entities in the network, since relations are often dynamic in nature and caused by an unknown underlying process. Next, we report anomalies based on an embedding of sequential patterns. Pattern mining is efficient and supports interpretation, i.e. patterns represent frequent occurring behaviour in time series. We extend pattern mining to filter sequential patterns based on frequency, temporal constraints and minimum description length. We collect and release two public datasets for international broadcasting and X from an Internet company. \textit{BAD} achieves an overall F1-Score of 0.78 on 9 benchmark datasets, significantly outperforming the best baseline by 3\%. Additionally, \textit{BAD} is also an order-of-magnitude faster than state-of-the-art anomaly detection methods.
• Abstract（参考訳）: 多くの組織はサービス品質を管理し、テレメトリや物理センサーデータシリーズに関連付けられた大規模なデバイスやサーバを監視している。 近年,行動異常を検出するために様々な手法が提案されているが,既存の手法では多変量時系列に着目し,エンティティ間の通信を無視している。 さらに,ある期間に異常を引き起こす物体やセンサの配置だけでなく,この決定についてもエンドユーザーを支援することを目的としている。 2段階のアプローチで異常を検出するスケーラブルな手法を提案する。 まず、ネットワーク内のエンティティ間の関係を回復する。関係は本質的に動的であり、未知のプロセスによって引き起こされることが多いからだ。 次に,逐次パターンの埋め込みに基づく異常を報告する。 パターンマイニングは効率的であり、解釈をサポートする。 パターンマイニングを周波数、時間制約、最小記述長に基づいて逐次パターンをフィルタリングするために拡張する。 我々は、インターネット企業から国際放送のための2つの公開データセットとXを収集し、リリースする。 \textit{bad} は、9つのベンチマークデータセットで全体の f1-score が 0.78 となり、最高のベースラインを3\%上回っている。 さらに、 \textit{BAD} は最先端の異常検出方法よりも高速である。

関連論文リスト

• Multivariate Time-Series Anomaly Detection based on Enhancing Graph Attention Networks with Topological Analysis [31.43159668073136]
  時系列における教師なし異常検出は、手動による介入の必要性を大幅に低減するため、産業応用において不可欠である。 従来の手法では、グラフニューラルネットワーク(GNN)やトランスフォーマーを使用して空間を解析し、RNNは時間的依存をモデル化していた。 本稿では,TopoGDNと呼ばれる多変量時系列異常検出のための拡張グラフ注意ネットワーク(GAT)上に構築された新しい時間モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-23T14:06:30Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Time-series Anomaly Detection via Contextual Discriminative Contrastive Learning [0.0]
  一級分類法は、異常検出タスクに一般的に使用される。 本稿では,DeepSVDDの損失関数に着想を得た新しい手法を提案する。 我々は,我々のアプローチと,将来有望な自己教師型学習異常検出手法であるNeutral ADによる決定論的コントラスト損失を組み合わせた。
  論文  参考訳（メタデータ） (2023-04-16T21:36:19Z)
• Detecting Multivariate Time Series Anomalies with Zero Known Label [17.930211011723447]
  MTGFlowは多変量時系列異常検出のための教師なし異常検出手法である。 エンティティ間の複雑な相互依存性と各エンティティ固有の特性は、密度推定に重大な課題を生じさせる。 7つのベースラインを持つ5つの公開データセットの実験が行われ、MTGFlowはSOTA法を最大5.0AUROC%で上回っている。
  論文  参考訳（メタデータ） (2022-08-03T14:38:19Z)
• Deep Federated Anomaly Detection for Multivariate Time Series Data [93.08977495974978]
  本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。 ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-09T05:06:58Z)
• A2Log: Attentive Augmented Log Anomaly Detection [53.06341151551106]
  異常検出は、ITサービスの信頼性とサービス性にとってますます重要になる。 既存の教師なし手法は、適切な決定境界を得るために異常な例を必要とする。 我々は,異常判定と異常判定の2段階からなる教師なし異常検出手法であるA2Logを開発した。
  論文  参考訳（メタデータ） (2021-09-20T13:40:21Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• RobustTAD: Robust Time Series Anomaly Detection via Decomposition and Convolutional Neural Networks [37.16594704493679]
  本稿では,ロバスト時系列異常検出フレームワークRobustTADを提案する。 時系列データのために、堅牢な季節差分解と畳み込みニューラルネットワークを統合する。 パブリックオンラインサービスとしてデプロイされ、Alibaba Groupのさまざまなビジネスシナリオで広く採用されている。
  論文  参考訳（メタデータ） (2020-02-21T20:43:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。