Microsoft 的时间序列异常检测服务

KDDJun, 2019

Time-Series Anomaly Detection Service at Microsoft

Hansheng Ren, Bixiong Xu, Yujing Wang, Chao Yi, Congrui Huang...

TL;DR本文介绍了微软公司开发的时间序列异常检测服务的流程和算法，并且首次尝试将 Spectral Residual 模型与卷积神经网络相结合，用于时间序列异常检测，经过实验验证，在公共数据集和微软生产数据中的表现都优于现有成果。

Abstract

Large companies need to monitor various metrics (for example, Page Views and Revenue) of their applications and services in real time. At Microsoft, we develop a time-series anomaly detection service which helps customers to monitor the time-series continuously and alert for potential

time-series anomaly detection spectral residual convolutional neural network data ingestion experimentation platform

发现论文，激发创造

使用卷积神经网络和迁移学习进行时间序列异常检测

这篇论文提出了一种基于卷积神经网络的时序分割方法来检测异常，并使用迁移学习框架在大规模合成单变量时间序列数据集上进行预训练，然后在小规模、单变量或多变量数据集上进行微调，同时针对多变量情况，介绍了一种新的网络架构。该方法在多个合成和实际数据集上进行了成功测试。

May, 2019

AIOps 领域中时间序列异常检测方法的调查

基于人工智能运维 (AIOps) 的时间序列异常检测的综述以及基于最新进展的面向实际应用和下一代时间序列异常检测的未来方向。

Aug, 2023

大规模异常检测：深度分布式时间序列模型的应用

论文介绍了一种新的检测时间序列数据异常值的方法，主要应用于监测微服务和云资源健康。该方法的主要创新点是将时间序列的建模对象从实数值或实数向量扩展到了实数值（或向量）上的概率分布。

Jul, 2020

时序异常检测；在具有有限特征和稀疏样本的嘈杂高周期数据中检测异常降落

该研究使用 TensorFlow 学习不同模型包括 DNNs, RNNs, 和 LSTMs 进行回归，并使用异常检测应用这些模型到具有噪音周期性的流量数据上，提高了检测周期性流量峰谷异常的准确度。

Aug, 2017

深度学习时间序列异常检测综述

本文调查了基于深度学习的时间序列异常检测的现状，提供了一种基于分类因素的分类法，并描述了每种分类法的优点和局限性，最后总结了研究中的开放性问题和采用深度异常检测模型面临的挑战。

Nov, 2022

美国东北关键带研究集水区时间序列数据中检测异常峰值模式的自动化机器学习方法

该研究论文提出了一个自动化机器学习框架，旨在帮助水文学家检测美国东北部关键区域研究流域传感器生成的时间序列数据中的异常。该框架着重于识别峰值模式异常，该类异常可能来自传感器故障或自然现象。为了应对这些挑战，该框架利用合成生成的时间序列数据注入合成峰值模式，生成带有标签的数据集，并结合自动化超参数优化机制选择最合适的深度学习模型。该框架使用时间序列生成对抗网络 (TimeGAN) 作为合成数据集生成器，并通过准确性和计算成本等指标对产生的模型实例进行评估。通过应用于流域数据集的性能评估，该框架始终选择满足用户偏好的最佳模型实例。

Sep, 2023

基于模式的时间序列风险评分用于异常检测与警报过滤 —— 预测性维护案例研究

快速有效的基于序列模式相似性的异常检测和警报过滤方法在大规模现实世界工业系统中被应用，通过与现有基准方法进行对比，验证了其普适性和稳健性。

May, 2024

基于图神经网络的多元时间序列异常检测

提出了一种使用深度学习和 graph neural networks 检测高维时间序列数据中的异常事件的方法，通过学习传感器间复杂关系的结构和注意力权重提供被检测异常事件的解释和根因分析，在真实世界传感器数据集实验中，该方法比基线方法更准确地捕获传感器间关联并检测到异常事件。

Jun, 2021

扭曲时间序列异常检测

该研究论文探讨了检测时间序列异常值的问题，重点关注具有重复行为的系统，例如在生产线上操作的工业机器人。通过使用特定于大型时间序列的基于 GPU 的质心算法，该论文提出了一种异常检测方法，该方法可以识别出重复周期并计算异常得分，以检测异常循环。实验证明，该方法能够处理大型信号，计算人类友好的原型，使用非常少的数据，并且优于一些通用的异常检测方法，如自编码器。

Apr, 2024

TimeSeriesBench：时间序列异常检测模型的工业级基准

TimeSeriesBench 是一个工业级基准测试平台，通过多个训练和测试范式、评估指标和数据集的结合共计 168 个评估设置，评估了现有算法的性能，并提供了异常检测算法的未来设计建议。

Feb, 2024