مروري بر معماري‌هاي مبتني بر بازسازي در تشخيص ناهنجاري سري‌هاي زماني چند متغيره

Reconstruction-Based Methods In MTS Anomaly Detection: A Survey

تشخيص ناهنجاري روشي براي يافتن نقاط يا نمونه‌هايي است كه از توزيع طبيعي كل مجموعه‌داده پيروي نمي‌كنند. تأثير ناهنجاري وابسته به مسئله، متغير است. ناهنجاري مي‌تواند بيانگر يك حمله نفوذي، تقلب مالي و يا بيماري باشد. اهداف ديگر تشخيص ناهنجاري، شناسايي آسيب‌هاي صنعتي، جلوگيري از نشت اطلاعات، شناسايي آسيب‌پذيري‌هاي امنيتي يا نظارت نظامي است. به دليل مقياس بالا و دوره طولاني نمونه‌هاي سري‌هاي زماني صنعتي‌، روش‌هاي تشخيص ناهنجاري سري‌هاي زماني سنتي نمي‌توانند نيازهاي موجود در دنياي واقعي را برآورده كنند. علاوه بر اين‌، روش‌هاي نظارت شده به دليل عدم توازن در دسته‌ها، نمي‌توانند در مجموعه‌داده‌هاي صنعتي به دقت بالايي دست يابند. به علاوه، فراهم كردن برچسب براي نمونه‌ها بسيار پرهزينه، دشوار و نيازمند افراد متخصص است. بنابراين استفاده از روش‌هاي بدون نظارت در اين مسئله كاربردي‌تر است. در اين پژوهش، مروري بر روش‌هاي مبتني بر بازسازي در تشخيص ناهنجاري سري‌هاي زماني چندمتغيره شده است. با وجود پيشرفت‌ها و بهبودهاي حاصل، اكثر روش‌ها به طور صريح ياد نمي‌گيرند كه كدام حسگرها به يكديگر مرتبط هستند، بنابراين در مدل‌سازي نمونه‌هاي حسگر با بسياري از روابط متقابل بالقوه با مشكلاتي مواجه مي‌شوند. اين موضوع، توانايي آن‌ها براي تشخيص و توضيح انحرافات از چنين روابطي در هنگام وقوع رويدادهاي ناهنجار را محدود مي‌كند.

Anomaly detection is a method for identifying points or samples that do not follow the normal distribution of the entire dataset. The impact of anomalies is problem-dependent, varying with the variables involved. An anomaly could indicate a security breach, financial fraud, or a medical condition. Other goals of anomaly detection include identifying industrial damages, preventing data leaks, identifying security vulnerabilities, or military surveillance. Due to the large scale and long-term nature of industrial time series data, traditional time series anomaly detection methods cannot meet the needs of the real world. Additionally, supervised methods, due to class imbalances, cannot achieve high accuracy in industrial datasets. Moreover, providing labels for samples is very costly, difficult, and requires professionals. Therefore, using unsupervised methods in this problem is more practical. In this study, a review of reconstruction-based methods in detecting anomalies in multivariate time series has been presented. Despite advancements and improvements, most methods do not explicitly learn which sensors are related to each other, leading to difficulties in modeling sensor samples with many potential interrelations. This limitation restricts their ability to detect and explain deviations from such relationships when anomalies occur.