-
Zeitreihen-Anomalieerkennung: Eine Zehnjahres-Rückschau
-
Mit der jüngsten Entwicklung von Datenerfassungstechnologien und dem Anstieg von Streaming-Daten wird der Bedarf an Zeitreihenanalyse deutlicher. Infolgedessen hat die Zeitreihen-Anomalieerkennung in Bereichen wie Cybersicherheit, Finanzmärkten, Strafverfolgung und Gesundheit eine zentrale Rolle eingenommen.
-
Die traditionelle Anomalieerkennungsliteratur legte den Schwerpunkt auf statistische Metriken, doch in den letzten Jahren eingesetzte Machine-Learning-Algorithmen verlangen nach einer strukturierten und generischen Charakterisierung von Forschungsansätzen zur Zeitreihen-Anomalieerkennung.
-
Diese Übersichtsarbeit fasst bestehende Anomalieerkennungslösungen im zeitlichen Kontext durch eine prozessorientierte Klassifikation zusammen und zusammengefasst. Zusätzlich wird eine neuartige Klassifikation von Anomalieerkennungsmethoden vorgestellt, eine Metaanalyse der Literatur durchgeführt und ein Überblick über allgemeine Trends in der Forschung zur Zeitreihen-Anomalieerkennung gegeben.
-
1 Kommentare
Hacker News Kommentar
Das UCR Matrix Profile ist ein sehr effizientes Werkzeug in der Zeitreihenanalyse. Im Gegensatz zu traditionellen Methoden zur Erkennung von Motiven und Anomalien muss man keine Fenstergröße und keine Schwelle anpassen, und es ist in vielen Bereichen einsetzbar, von Fertigungssensor-Daten bis hin zu EKG-Analysen und Erdbebendetektion.
Ich habe die Offset-Funktion von Prometheus genutzt, um den Wochenmittelwert als Recording Rule festzulegen. In einem System mit wöchentlicher Periodizität berechne ich den Durchschnitt eines bestimmten Metrikwerts und vergleiche ihn mit dem aktuellen Wert, um einen dynamischen Schwellwert festzulegen. GitLab bietet dazu eine detaillierte Erläuterung.
Es berücksichtigt nicht die Arbeit der letzten Jahre. Ein zeitreihenbasiertes Modell namens Granite TS hat gut funktioniert; das Anomalie-Modell sagt die nächsten N Schritte voraus und prüft dann, wie stark der tatsächliche Messwert vom Erwartungswert abweicht.
In der Wassertechnik überwachen IoT-Geräte den Wasserfluss, erkennen Lecks und schätzen den Verbrauch je nach Gerät. Leckageerkennung ist die Identifikation von Zeitreihenanomalien, und je nach Saison können aufgrund von Rohrtemperaturschwankungen mehrere Verteilungen erforderlich sein.
In einem Performance-Tracking-Projekt wurde versucht, Ausreißererkennung einzusetzen, aber passende Open Source- oder kostenpflichtige Lösungen sind selten. In diesem Bereich gibt es viele Chancen.
Aus dem Zusammenspiel von Datenentstehung, ungeeigneten Messsystemen und bösartigen Akteuren entstehen anomale Ereignisse. Diese anomalen Ereignisse erscheinen als Ausreißer in den gesammelten Daten.
Wir betreiben ein Startup für die Zeitreihen-Anomalieerkennung industrieller Maschinen und entwickeln eine Offline-Lösung. Wenn ihr an sicherheitskritischer Industrie-Software interessiert seid, kontaktiert mich bitte.
Die TSAD-bezogene Forschung von Eamonn Keogh ist interessant.
Ich bin verwirrt darüber, warum SVM als „Distribution-Based“ eingestuft wurde; normalerweise schätzt es weder die Dichteschätzung ohne Modell noch eine modellbasierte Verteilung.
Vor zehn Jahren baute ich im Masterstudium ein Online-Failures-Prediction-System auf und entwickelte ein System, das Ausnahmen erkennt und darauf reagiert, bevor sie auftreten. Es war ein Bereich mit viel zu tun, und ich bedaure, dass ich ihn nicht wieder aufgenommen habe.