Echtzeit-Anomalieerkennung für Streaming-Analysen

Ein Großteil der weltweiten Daten sind strömende, zeitliche Datenreihen, bei denen Anomalien in kritischen Situationen bedeutende Informationen liefern. Dennoch ist die Erkennung von Anomalien in strömenden Daten eine schwierige Aufgabe, da Detektoren die Daten in Echtzeit verarbeiten und gleichzeitig lernen müssen, während sie Vorhersagen treffen. In dieser Arbeit stellen wir eine neuartige Anomalieerkennungstechnik vor, die auf einem Online-Sequenzgedächtnisalgorithmus basiert, dem hierarchischen temporären Gedächtnis (Hierarchical Temporal Memory, HTM). Wir präsentieren Ergebnisse aus einer laufenden Anwendung, die Anomalien in finanzwirtschaftlichen Metriken in Echtzeit erkennt. Zudem testen wir den Algorithmus anhand des NAB (Numenta Anomaly Benchmark), eines veröffentlichten Benchmarks für die Echtzeiterkennung von Anomalien, wo unser Algorithmus Klassenergebnisse erzielt.