Применение автокодировщиков для выявления аномалий в киберфизических системах
Автор: Чернышов Ю.Ю.
Журнал: Вестник Пермского университета. 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 | УДК: 004.064 | DOI: 10.17072/1993-0550-2022-4-89-94
About using of autoencoders for anomaly detection in cyber-physical systems
Using of autoencoder for anomaly detection in cyber-physical systems was investigated. Some popular methods and datasets were observed. Suggested approach was applied to data and task from SWAT dataset. Achieved results was compared with existing baselines.
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/.
