基于K距离校准重构的多变量时间序列异常检测响应方法

本文提出KCR方法，通过K-distance平衡检测范围与灵敏度，结合校准重构机制专注正常模式学习，集成特征选择策略提升多元时序异常检测的响应速度与精度，在五个真实数据集中超越现有SOTA方法。

　　

亮点

• 针对时序异常检测模型因检测范围与灵敏度失衡导致的检测延迟问题，我们提出新型距离函数K-distance。将其应用于重构误差计算，有效平衡检测范围与灵敏度，降低延迟实现响应式异常检测。

• 提出基于K距离校准重构的多变量时间序列异常检测方法（KCR），专注精确重构正常数据并对异常数据重构失效。预测阶段采用K-Means进行特征选择并集成预测，显著提升检测精度。

• KCR在五个真实数据集中超越当前最优结果，通过可视化与消融实验验证其有效性。

异常检测标准

时序异常检测领域已有针对单变量、多变量及可解释方法的全面综述与基准研究。根据检测标准，这些方法可分为密度型（如局部离群因子LOF）、聚类型、自回归型与重构型等类别。

问题定义

多变量时间序列是按时间收集的观测值集合，每个观测点代表不同维度变量，变量间可能存在复杂时序依赖。定义含T个时间戳的多元时序X为：

X = {x₁, x₂, …, x_T}

其中x_t ∈ R^m表示时间戳t处采集的m维数据（m>0）。时序异常检测任务定义为：给定长度为T的训练时序X，需...

基准数据集

实验在五个常用公共基准数据集进行：

服务器机器数据集（SMD）：包含计算集群中28台机器五周内的资源利用率堆叠轨迹。

火星科学实验室数据集（MSL）：源自NASA火星车传感器与执行器数据。

土壤湿度主动被动数据集（SMAP）：利用NASA火星车土壤样本与遥测信息。

结论

本文提出响应式多变量时序异常检测新方法KCR。设计名为K-distance的距离函数用于计算重构误差，通过调整k值平衡异常检测范围与灵敏度，缩短检测延迟。同时开发校准机制使KCR专注重构正常模式，并通过预测集成进一步提升检测精度。