Применение автокодировщиков для выявления аномалий в киберфизических системах
Автор: Чернышов Ю.Ю.
Журнал: Вестник Пермского университета. Серия: Математика. Механика. Информатика @vestnik-psu-mmi
Рубрика: Информатика, кибернетика, вычислительная техника
Статья в выпуске: 4 (59), 2022 года.
Бесплатный доступ
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.
Глубокое машинное обучение, автокодировщики, временные ряды, аномалии в технологических процессах
Короткий адрес: https://sciup.org/147245540
IDR: 147245540 | DOI: 10.17072/1993-0550-2022-4-89-94
Список литературы Применение автокодировщиков для выявления аномалий в киберфизических системах
- 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_Support_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/.
