GANベースの予測モデルを使用した大規模IoTデータインフラにおける運用異常の効果的検出

要約 データサービスの品質は、特に多数の分散ユーザーに対応する際、運用上の大規模なIoT研究データインフラにとって重要です。ランタイム異常を効果的に検出し、その根本原因を診断することは、敵対的攻撃に対抗するのに役立ち、IoTインフラサービスのシステムセキュリティと堅牢性を本質的に向上させます。しかし、従来の異常検出方法は、これらのシステムの動的複雑性に直面したときには不十分です。対照的に、教師あり機械学習の方法は、ラベル付きデータの不足のために大量のデータを活用できません。本論文では、人気のあるGANベースの生成モデルとエンドツーエンドの一クラス分類を利用して、教師なし異常検出を改善します。新しい不均一BiGANベースの異常検出モデルであるHeterogeneous Temporal Anomaly-reconstruction GAN（HTA-GAN）を提案し、一クラス分類器と新しい異常スコアリング関数をより良く活用します。Generator-Encoder-Discriminator BiGAN構造は、実用的な異常スコアの計算と時間的特徴の取得を導くことができます。我々は提案したアプローチを、実世界のデータセット、異常ベンチマーク、合成データセット上でいくつかの最先端の異常検出手法と経験的に比較します。結果は、HTA-GANが競合相手を上回り、より良い堅牢性を示すことを示しています。