通过随机递归神经网络进行多变量时间序列的强健异常检测

工业设备（即，实体），如服务器、航天器、发动机等，通常通过多变量时间序列进行监控，其异常检测对实体的服务质量管理至关重要。然而，由于多变量时间序列的复杂时间依赖性和随机性，其异常检测仍然是一项重大挑战。本文提出了OmniAnomaly，这是一种用于多变量时间序列异常检测的随机递归神经网络，能够强健地适用于各种设备。其核心思想是通过学习其强健表示来捕捉多变量时间序列的正常模式，采用随机变量连接和平面归一化流等关键技术，通过这些表示重构输入数据，并利用重构概率来确定异常。此外，对于检测到的实体异常，OmniAnomaly可以根据其组成的单变量时间序列的重构概率提供解释。评估实验在来自航空航天的两个公共数据集以及来自一家互联网公司的新服务器机器数据集（由我们收集并发布）上进行。OmniAnomaly在三个真实世界数据集上的总体F1分数达到0.86，显著优于最佳基线方法0.09。OmniAnomaly的解释准确率高达0.89.