基于再编码的无监督时间序列异常检测模型

作者：尹春勇; 周立文

来源：计算机应用, 2022, 1-10.

• 生成对抗网络
• 异常检测
• 时间序列
• 堆叠式长短期记忆网络
• 自编码
• 再编码

针对时间序列的数据不平衡和高度复杂的时间相关性导致异常检测准确率低的问题，以生成对抗网络作为基础提出一种新颖的基于再编码的无监督时间序列异常检测模型。首先，使用具有周期一致性的多个生成器保证生成样本多样性，可以学习不同的异常模式；然后，使用堆叠式dropout长短记忆神经网络捕获时间相关性；其次，使用二次编码在潜在空间中比较生成样本和真实样本之间的差异，将此差异作为再编码误差当作异常分数的一部分，提高异常检测的准确率；最后，使用新的异常分数对单变量和多变量时间序列数据集检测异常。将提出的方法与七种最新的基线异常检测方法在数据集上进行了比较。实验结果表明，提出的模型在所有数据集中获得了最高的平均F1(0.815)，并且总体性能分别比原始自编码DenseAE、最新的基准模型USAD高出36.29%、8.52%。通过不同的信噪比(Signal-to-Noise Ratio)检测模型的健壮性，本文的模型RTGAN一直优于LSTM-VAE,USAD和OmniAnomaly，尤其在SNR为30%情况下，RTGAN的F1值分别比USAD和OmniAnomaly高出13.53%、10.97%。可见本文的模型能有效提高异常检测的准确率和鲁棒性。

• 单位
  南京信息工程大学