Anomalieerkennung in multivariaten Zeitreihen auf Basis von Graph Neural Networks

Angesichts hochdimensionaler Zeitreihendaten (z. B. Sensordaten), wie können wir anomale Ereignisse wie Systemfehler und Angriffe erkennen? Noch herausfordernder ist die Frage, wie wir dies auf eine Weise tun können, die komplexe Beziehungen zwischen den Sensoren erfasst und Anomalien identifiziert und erklärt, die von diesen Beziehungen abweichen? Kürzlich haben Deep-Learning-Ansätze Verbesserungen bei der Anomalieerkennung in hochdimensionalen Datensätzen ermöglicht; jedoch lernen bestehende Methoden nicht explizit die Struktur der vorhandenen Beziehungen zwischen Variablen oder nutzen diese, um das erwartete Verhalten von Zeitreihen vorherzusagen. Unser Ansatz kombiniert einen strukturellen Lernansatz mit Graph Neural Networks und verwendet zusätzlich Aufmerksamkeitsgewichte, um Erklärbarkeit für die erkannten Anomalien zu bieten. Experimente mit zwei realen Sensordatensätzen mit bekannten Anomalien zeigen, dass unsere Methode Anomalien genauer erkennt als Basisansätze, Korrelationen zwischen den Sensoren präzise erfasst und es den Nutzern ermöglicht, die Ursache einer erkannten Anomalie zu deduzieren.