مروری بر معماری‌های مبتنی بر بازسازی در تشخیص ناهنجاری سری‌های زمانی چند متغیره

نویسندگان :

تشخیص ناهنجاری روشی برای یافتن نقاط یا نمونه‌هایی است که از توزیع طبیعی کل مجموعه‌داده پیروی نمی‌کنند. تأثیر ناهنجاری وابسته به مسئله، متغیر است. ناهنجاری می‌تواند بیانگر یک حمله نفوذی، تقلب مالی و یا بیماری باشد. اهداف دیگر تشخیص ناهنجاری، شناسایی آسیب‌های صنعتی، جلوگیری از نشت اطلاعات، شناسایی آسیب‌پذیری‌های امنیتی یا نظارت نظامی است. به دلیل مقیاس بالا و دوره طولانی نمونه‌های سری‌های زمانی صنعتی‌، روش‌های تشخیص ناهنجاری سری‌های زمانی سنتی نمی‌توانند نیازهای موجود در دنیای واقعی را برآورده کنند. علاوه بر این‌، روش‌های نظارت شده به دلیل عدم توازن در دسته‌ها، نمی‌توانند در مجموعه‌داده‌های صنعتی به دقت بالایی دست یابند. به علاوه، فراهم کردن برچسب برای نمونه‌ها بسیار پرهزینه، دشوار و نیازمند افراد متخصص است. بنابراین استفاده از روش‌های بدون نظارت در این مسئله کاربردی‌تر است. در این پژوهش، مروری بر روش‌های مبتنی بر بازسازی در تشخیص ناهنجاری سری‌های زمانی چندمتغیره شده است. با وجود پیشرفت‌ها و بهبودهای حاصل، اکثر روش‌ها به طور صریح یاد نمی‌گیرند که کدام حسگرها به یکدیگر مرتبط هستند، بنابراین در مدل‌سازی نمونه‌های حسگر با بسیاری از روابط متقابل بالقوه با مشکلاتی مواجه می‌شوند. این موضوع، توانایی آن‌ها برای تشخیص و توضیح انحرافات از چنین روابطی در هنگام وقوع رویدادهای ناهنجار را محدود می‌کند.