IT运维数据天生就有数据量大，维度多，时序等特征，结合人工智能算法，通过训练，就可以让机器自动发现系统异常，快速找到关联的根因，甚至可以根据历史数据提前做出预测。

近些年关于AIOps的研究越来越热门，其中，多维时间序列的异常检测和故障诊断是其中非常重要的一个课题方向。本次和大家分享的，是最近整理的几个基于深度学习进行多维时间序列数据中异常检测/故障诊断的研究工作。

1. 论文标题：A deep neural network for unsupervised anomaly detection and diagnosis in multivariate time series data

论文地址：https://ojs.aaai.org//index.php/AAAI/article/view/3942

收录：AAAI2019

论文摘要：该论文提出Multi-Scale Convolutional Recurrent Encoder-Decoder (MSCRED)，用于多变量时序数据的异常检测。MSCRED首先构建多尺度的signature matrices，用于描述不同时间步对应的=系统状态，然后，在给定的signature matrices上，利用卷积编码器去编码变量之间的相关特性，同时利用基于attention的卷积LSTM（ConvLSTM）去捕获时间依赖特性。最后利用解码器重构特征以及利用residual signature matrices去检测和诊断异常。

2. 论文标题：USAD: UnSupervised Anomaly Detection on Multivariate Time Series

论文地址：https://dl.acm.org/doi/10.1145/3394486.3403392

论文源码：https://github.com/manigalati/usad

收录：KDD2020

论文摘要：该论文提出一种面向多元时序数据的无监督的异常检测方法UnSupervised Anomaly Detection USAD，该方法基于自编码器，同时利用了对抗训练的策略，并在五个公共数据集上进行了实验。USAD 背后的思想是在编码器-解码器架构上进行对抗性训练使其能够学习如何放大异常的输入的重建误差，同时相比与传统的GAN-based方法，更加稳定。

3. 论文标题：Practical Approach to Asynchronous Multivariate Time Series Anomaly Detection and Localization

论文地址：https://dl.acm.org/doi/10.1145/3447548.3467174

论文源码：https://github.com/eBay/RANSynCoders

收录：KDD2021

论文摘要：考虑从现实世界观察到大量时间序列表现出异步和重复变化特点，提出了一种从多元时序数据集中推断异常的实用方法。总的来讲，该解决方案首先利在预训练自动编码器的潜在表示(latent representation)上进行频谱分析从而提取信号中的主要频率，然后将其用于后续网络，该网络学习信号中的相移并生成原始多元变量的同步表示。然后将同步的多元变量的随机子集输入到一组自动编码器中，以最小化分位数重构损失为目标进行学习，然后用于基于投票规则来推断和定位异常。该文提出的是一种无监督的方法，因为监督学习方法面临着无法获得真实标签的问题。相比之下，通过仿真模拟来获得标签无法代表现实世界异常的真实多样性。而异常通常具有模式不一致、稀缺或未标记的特点，因此采用无监督的深度学习方法是合理且实用的。该文所提出方法有两个理论贡献，第一个是无监督方法假设序列的频谱关系是线性相关的，但忽略了隐藏在多元时间序列的固有的非线性特性；第二个是在实际应用中，时间序列的维度经常被异步地观测，这阻碍了模型权重的学习。

 

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除