Con l'ampia disponibilità di dati dei sensori in ambito industriale e
sistemi operativi, spesso incontriamo serie temporali eterogenee da
sistemi multipli. Il rilevamento delle anomalie è fondamentale per facilitare tali sistemi
manutenzione predittiva. Tuttavia, la maggior parte dei metodi di rilevamento delle anomalie esistenti lo sono
progettato per dati multivariati univariati o a sistema singolo, realizzandoli
insufficiente per questi scenari complessi. Per affrontare questo problema, presentiamo
M$^2$AD, un quadro per il rilevamento di anomalie non supervisionato in tempo multivariato
dati in serie da più sistemi. M$^2$AD utilizza modelli profondi per l'acquisizione
comportamento atteso in condizioni normali, utilizzando i residui come indicatori di
potenziali anomalie. Questi residui vengono poi aggregati in un'anomalia globale
punteggio attraverso un modello di miscela gaussiana e una calibrazione gamma. Noi in teoria
dimostrare che questo quadro può affrontare efficacemente l’eterogeneità e
dipendenze tra sensori e sistemi. Empiricamente, M$^2$AD sovraperforma
metodi esistenti in valutazioni approfondite da parte di 21% in media, e il suo
l'efficacia è dimostrata in uno studio di caso reale su larga scala 130
risorse nei centri logistici Amazon. Il nostro codice e i risultati sono disponibili su
https://github.com/sarahmish/M2AD.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: