使用时间状态对齐在异常时间序列中进行根本原因检测
本文从因果关系的角度出发,将异常检测问题视为不遵循正常因果机制来生成多变量数据的实例,并提出了一种基于因果关系的框架来检测异常和根本原因。
Jun, 2022
这篇论文提出了一种通过观察时间序列和一个描述正常状态下动态系统中因果关系的无环摘要因果图来识别集体异常的根本原因的方法,并利用 d 分离将问题分解到多个独立子问题中,并介绍了如何通过比较正常状态下的直接因果效应和异常状态下的直接因果效应来找到其余的根本原因。
Mar, 2023
引入了一种新的针对阈值性 IT 系统的结构因果模型,并提出了一种新的算法,用于快速检测此类系统中异常的根本原因,方法基于离线数据进行因果性发现,通过代理的干预提出了扩展来放宽根因非因果相关的假设,对于在线数据中的新异常,则利用子图遍历,实验证明了该方法的卓越性能。
Feb, 2024
利用因果发现学习系统的正常因果图,通过实时传感器数据的因果连接持久性评估来及时检测异常。在两个基准异常检测数据集上,我们的方法具有更高的训练效率,超越了最先进神经网络架构的准确性,并准确地识别了 10 种以上不同的异常。
Apr, 2024
本文提出一种基于序列编码器和解码器的,利用前后向时间信息学习双向动态的无监督异常检测方法,通过对正常样本状态空间的正则化和使用马氏距离评估异常等级,实现对复杂多元时间序列数据中异常数据模式的识别和潜在故障的检测。
Mar, 2023
通过一类分类 (OCC) 方法重新定义时间序列异常检测问题,使用随机过程和假设检验严格定义 “时间序列异常状态检测问题” 和其对应的异常,构建人工数据集并测试 38 个异常检测算法,通过大量实验比较了各种算法的实际性能,为未来研究提供了洞察和方向。
Feb, 2024
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
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