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

تشخیص ناهنجاری روشی برای یافتن نقاط یا نمونه هایی است که از توزیع طبیعی کل مجموعه داده پیروی نمی کنند. تاثیر ناهنجاری وابسته به مسئله ، متغیر است . ناهنجاری می تواند بیانگر یک حمله نفوذی، تقلب مالی و یا بیماری باشد. اهداف دیگر تشخیص ناهنجاری، شناسایی آسیب های صنعتی ، جلوگیری از نشت اطلاعات، شناسایی آسیب پذیریهای امنیتی یا نظارت نظامی است . به دلیل مقیاس بالا و دوره طولانی نمونه های سریهای زمانی صنعتی ، روشهای تشخیص ناهنجاری سریهای زمانی سنتی نمی توانند نیازهای موجود در دنیای واقعی را برآورده کنند. علاوه بر این ، روشهای نظارت شده به دلیل عدم توازن در دسته ها، نمی توانند در مجموعه دادههای صنعتی به دقت بالایی دست یابند. به علاوه، فراهم کردن برچسب برای نمونه ها 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 پیشرفت ها و بهبودهای حاصل ، اکثر روشها به طور صریح یاد نمی گیرند که کدام حسگرها به یکدیگر مرتبط هستند، بنابراین در مدلسازی نمونه های حسگر با بسیاری از روابط متقابل بالقوه با مشکلاتی مواجه می شوند. این موضوع، توانایی آنها برای تشخیص و توضیح انحرافات از چنین روابطی در هنگام وقوع رویدادهای ناهنجار را محدود می کند.

کلیدواژه ها:

تشخیص ناهنجاری ، سری زمانی چندمتغیره ، شبکه مولد تخاصمی ، خودرمزگذار ، خودرمزگذار متغیر