Применение автокодировщиков для выявления аномалий в киберфизических системах
DOI:
https://doi.org/10.17072/1993-0550-2022-4-89-94Ключевые слова:
глубокое машинное обучение, автокодировщики, временные ряды, аномалии в технологических процессахАннотация
В работе рассмотрены методы обнаружения аномалий во временных рядах, основанные на использовании специальной архитектуры нейронных сетей, автокодировщиков. Принцип работы автокодировщика, заключающийся в переводе исходного сигнала в латентное пространство, и его последующее восстановление применяются для обнаружения аномальных участков в данных. Сделан обзор исследований в этом направлении, в том числе описаны известные датасеты, на которых различные исследовательские команды применяли разработанные ими алгоритмы.Библиографические ссылки
TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks. URL: https://arxiv.org/abs/2009.07769 (дата обращения: 01.11.2022).
An Introductory Study on Time Series Modeling and Forecasting: описание SARIMA URL: https://arxiv.org/ftp/arxiv/papers/ 1302/1302.6613.pdf (дата обращения: 01.11.2022).
A. Nanduri and L. Sherry. Anomaly detection in aircraft data using Recurrent Neural Networks (RNN). 2016. Integrated Communications Navigation and Surveillance (ICNS). 2016;5C2-1-5C2-8. doi: 10.1109/ICNSURV.2016.7486356.
P. Malhotra, L. Vig, G. Shroff, and P. Agarwal. Long Short Term Memory Networks for Anomaly Detection in Time Series, in European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning. 2015.
T. Schlegl, P. Seebock, S. M. Waldstein, U. Schmidt-Erfurth, and G. Langs. Unsupervised anomaly detection with generative adversarial networks to guide marker discovery, in International Conference on Information Processing in Medical Imaging. Springer. 2017; 146–157.
Работа с автокодировщиками в Tensor-Flow. URL: https://www.tensorflow.org/ tutorials/generative/autoencoder (дата обращения: 01.11.2022).
Описание датасета SWAT от Сингапурского университета технологии и дизайна (SUTD). URL: https://www.researchgate.net/
publication/305809559_A_Dataset_to_ Sup-port_Research_in_the_Design_of_Secure_Water_Treatment_Systems (дата обращения: 01.11.2022).
Датасет SKAB (Skoltech Anomaly Benchmark). URL: https://paperswithcode. com/dataset/skab (дата обращения: 01.11.2022).
Библиотека Orion для распознавания аномалий https://pypi.org/project/orion-ml/.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2022 Юрий Юрьевич Чернышов
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Публикация статьи в журнале осуществляется на условиях лицензии Creative Commons Attribution 4.0 International (CC BY 4.0).
