Robuste Anomalieerkennung für multivariate Zeitreihen mittels stochastischer rekurrenter Neuronale Netze

Industrielle Geräte (d. h. Entitäten), wie Servermaschinen, Raumfahrzeuge, Motoren usw., werden typischerweise mittels multivariater Zeitreihen überwacht, deren Anomalieerkennung für die Qualitätsmanagement von Dienstleistungen der jeweiligen Entität von entscheidender Bedeutung ist. Aufgrund der komplexen zeitlichen Abhängigkeiten und der Stochastik multivariater Zeitreihen bleibt ihre Anomalieerkennung jedoch eine große Herausforderung. In diesem Artikel wird OmniAnomaly vorgestellt, ein stochastisches rekurrentes neuronales Netzwerk zur Anomalieerkennung in multivariaten Zeitreihen, das sich robust und effektiv für eine Vielzahl verschiedener Geräte eignet. Der zentrale Ansatz besteht darin, die normalen Muster multivariater Zeitreihen zu erfassen, indem deren robuste Darstellungen mittels Schlüsseltechniken wie stochastischer Variablenverbindungen und planarer Normalisierungsflüsse gelernt werden. Anschließend werden die Eingabedaten durch diese Darstellungen rekonstruiert, und die Rekonstruktionswahrscheinlichkeiten werden zur Anomaliebestimmung herangezogen. Darüber hinaus kann OmniAnomaly bei erkannten Anomalien einer Entität Interpretationen liefern, die auf den Rekonstruktionswahrscheinlichkeiten ihrer einzelnen univariaten Zeitreihen basieren. Evaluationsexperimente wurden auf zwei öffentlichen Datensätzen aus der Luft- und Raumfahrt sowie auf einem neuen Datensatz von Servermaschinen (der von uns gesammelt und veröffentlicht wurde) durchgeführt. OmniAnomaly erzielt in drei realen Datensätzen insgesamt einen F1-Score von 0,86 und übertrifft damit die beste Baseline-Methode signifikant um 0,09. Die Interpretationsgenauigkeit von OmniAnomaly erreicht bis zu 0,89.