NO.1 论文简介
信息物理系统（Cyber-Physical Systems， CPSs）通常用于监测和控制重要基础设施。随着工业设备的生产运营和实时的环境变化，大量的传感器数据被实时记录，产生了多维时间序列。多维时间序列异常检测是一种用于检测多维时间序列数据中异常模式或异常行为的技术，它涉及对多个随时间变化的相关变量进行数据分析。在CPSs系统产生的时序数据当中，绝大部分是正常数据，异常数据通常是罕见的。对于多维时间序列，不同数据序列之间存在着潜在的相关性，且在时间维度上也存在着一定的依赖性。如果忽略这种潜在相关性和时间依赖性，异常检测的准确性将受到严重的影响。因此，为了构建特征丰富的时间序列，笔者提出一种多尺度特征信息融合的异常检测模型。
NO.2 主要贡献
图1所示为AD-MSIF模型的数据处理流程。首先，对原始数据进行归一化处理和数据下采样。其次，通过滑动窗口的划分和数据扩充，使最终划分的窗口个数与原始时间序列的个数保持一致，以此来保证数据的多样性。最后将时间窗口数据送入到AD-MSIF编解码网络模型中，对重构的数据进行误差计算，根据阈值进行异常判定。
（1）构建了基于CNN和Transformer的联合编码。为了提取时间窗口内时间序列的局部上下文信息，获取多变量之间的潜在相关性，使用多层一维卷积网络构建基于CNN的编码网络。其次，不同传感器的数据会随着时间发生相应的变化，在时间维度上存在着一定的时间依赖性，所以在每一个CNN卷积编码模块后衔接了Transformer编码，Transformer编码主要包括位置编码、时间注意力和多头注意力，以此来获取序列的时间上下文信息，并且Transformer支持并行运算，在一定程度上减少模型的训练时间。
NO.3 研究结论
笔者提出了一种基于多尺度特征信息融合的时间序列异常检测模型。该模型通过获取时间序列窗口在不同尺度下的局部上下文和时间上下文信息，并在解码阶段通过逐步融合局部和时间上下文信息，构建特征丰富的时间序列。在三个公开数据集上的实验结果表明了AD-MSIF可以有效检测到数据的异常行为，相比于大多数基线方法，模型的性能均有进一步提升，但在特征维度最高的WADI数据集上相比于GDN模型F1分数降低了1.66%。在后续工作中，需要进一步研究如何准确获取高维时间序列特征之间的潜在相关性。同时，考虑到在大多数信息物理系统中，随着时间的变化，传感器数据会呈现相应的周期性，因此还需要融合时间序列的周期性特征，从而提升模型的异常检测性能。
NO.4 论文资助
国家自然科学基金（U1333109）
NO.5 作者介绍
衡红军（1968—），男，副教授，E-mail：henghjcauc@163.com。
E-mail：ylwlongwei@163.com。
·引用格式·
衡红军, 喻龙威. 基于多尺度特征信息融合的时间序列异常检测(2023) [J/OL]. 西安电子科技大学学报, [2023-09-27]. https://doi.org/10.19665/j.issn1001-2400.20230906
“扫描二维码查看原文”
https://link.cnki.net/doi/10.19665/j.issn1001-2400.20230906
编辑：许瀚樱
校对：杨 薇
审核：牛姗姗
· 优文推荐 2024年第3期 ·
· 优文推荐 2024年第2期 ·
优文推荐 | 考虑HPSA的IRS辅助室内VLC系统光源优化
优文推荐 | 抗理性敌手共谋的安全K-prototype聚类
· 推荐阅读 ·
- 联系我们 -
xuebao@mail.xidian.edu.cn
