مروری بر معماری‌های مبتنی بر بازسازی در تشخیص ناهنجاری سری‌های زمانی چند متغیره

تشخیص ناهنجاری روشی برای یافتن نقاط یا نمونه‌هایی است که از توزیع طبیعی کل مجموعه‌داده پیروی نمی‌کنند. تاثیر ناهنجاری وابسته به مسئله، متغیر است. ناهنجاری می‌تواند بیانگر یک حمله نفوذی، تقلب مالی و یا بیماری باشد. اهداف دیگر تشخیص ناهنجاری، شناسایی آسیب‌های صنعتی، جلوگیری از نشت اطلاعات، شناسایی آسیب‌پذیری‌های امنیتی یا نظارت نظامی است. به دلیل مقیاس بالا و دوره طولانی نمونه‌های سری‌های زمانی صنعتی‌، روش‌های تشخیص ناهنجاری سری‌های زمانی سنتی نمی‌توانند نیازهای موجود در دنیای واقعی را برآورده کنند. علاوه بر این‌، روش‌های نظارت شده به دلیل عدم توازن در دسته‌ها، نمی‌توانند در مجموعه‌داده‌های صنعتی به دقت بالایی دست یابند. به علاوه، فراهم کردن برچسب برای نمونه‌ها بسیار پرهزینه، دشوار و نیازمند افراد متخصص است. بنابراین استفاده از روش‌های بدون نظارت در این مسئله کاربردی‌تر است. در این پژوهش، مروری بر روش‌های مبتنی بر بازسازی در تشخیص ناهنجاری سری‌های زمانی چندمتغیره شده است. با وجود پیشرفت‌ها و بهبودهای حاصل، اکثر روش‌ها به طور صریح یاد نمی‌گیرند که کدام حسگرها به یکدیگر مرتبط هستند، بنابراین در مدل‌سازی نمونه‌های حسگر با بسیاری از روابط متقابل بالقوه با مشکلاتی مواجه می‌شوند. این موضوع، توانایی آن‌ها برای تشخیص و توضیح انحرافات از چنین روابطی در هنگام وقوع رویدادهای ناهنجار را محدود می‌کند.

reconstruction-based methods in mts anomaly detection: a survey

anomaly detection is a method for identifying points or samples that do not follow the normal distribution of the entire dataset. the impact of anomalies is problem-dependent, varying with the variables involved. an anomaly could indicate a security breach, financial fraud, or a medical condition. other goals of anomaly detection include identifying industrial damages, preventing data leaks, identifying security vulnerabilities, or military surveillance. due to the large scale and long-term nature of industrial time series data, traditional time series anomaly detection methods cannot meet the needs of the real world. additionally, supervised methods, due to class imbalances, cannot achieve high accuracy in industrial datasets. moreover, providing labels for samples is very costly, difficult, and requires professionals. therefore, using unsupervised methods in this problem is more practical. in this study, a review of reconstruction-based methods in detecting anomalies in multivariate time series has been presented. despite advancements and improvements, most methods do not explicitly learn which sensors are related to each other, leading to difficulties in modeling sensor samples with many potential interrelations. this limitation restricts their ability to detect and explain deviations from such relationships when anomalies occur.