تُراقب الأجهزة الصناعية (أي الكيانات)، مثل آلات الخوادم، والمركبات الفضائية، والمحركات، إلخ، عادةً باستخدام السلاسل الزمنية متعددة المتغيرات، حيث يُعد اكتشاف الشذوذ فيها أمرًا بالغ الأهمية لإدارة جودة الخدمة الخاصة بالكيان. ومع ذلك، نظرًا للاعتماد الزمني المعقد والطابع العشوائي للسلاسل الزمنية متعددة المتغيرات، لا يزال اكتشاف الشذوذ يشكل تحديًا كبيرًا. تقدم هذه الورقة نموذج "أومينيأنومالي" (OmniAnomaly)، وهو شبكة عصبية متكررة عشوائية للكشف عن الشذوذ في السلاسل الزمنية متعددة المتغيرات، تعمل بكفاءة عالية وثبات على أنواع متنوعة من الأجهزة. تكمن الفكرة الأساسية في النموذج في التقاط الأنماط الطبيعية للسلاسل الزمنية متعددة المتغيرات من خلال تعلم تمثيلات قوية لها باستخدام تقنيات رئيسية مثل الاتصال المتغير العشوائي وتدفق التطبيع المستوي، ثم إعادة بناء بيانات الإدخال باستخدام هذه التمثيلات، واستخدام احتمالات إعادة البناء لتحديد الشذوذ. علاوة على ذلك، عند اكتشاف شذوذ في كيان معين، يمكن لنموذج "أومينيأنومالي" تقديم تفسيرات مبنية على احتمالات إعادة البناء الخاصة بالمتغيرات الأحادية المكونة لهذا الكيان. أُجريت تجارب تقييم على مجموعتين بيانات عامتين من قطاع الفضاء، ومجموعة بيانات جديدة من آلات الخوادم (تم جمعها ونشرها من قبلنا) من شركة إنترنت. حقق "أومينيأنومالي" متوسطًا لمؤشر F1 يبلغ 0.86 في ثلاث مجموعات بيانات واقعية، متفوقًا بشكل ملحوظ على أفضل طريقة مقارنة (baseline) بفارق 0.09. وبلغت دقة التفسير الخاصة بنموذج "أومينيأنومالي" ما يصل إلى 0.89.