51、基于时空图神经网络的异常检测

基于时空图神经网络的异常检测

1. 引言

异常检测是数据挖掘领域的一个热门研究课题，广泛应用于数据库日志、图像、网络攻击和时间序列等方面。时间序列数据根据特征数量的不同，可分为单变量和多变量时间序列异常检测。

早期研究主要集中在单变量时间序列异常检测，当数据在某一特定点偏离总体分布时，就被视为异常，传统机器学习方法多用于此。然而，由于传感器之间存在复杂的关系，单变量时间序列识别技术虽能识别多变量时间序列中的不规则性，但未得到持续关注。随着社会的全面数字化，网络传感器在现实系统中日益普遍，多变量时间序列异常检测逐渐取代了单变量时间序列异常检测。

神经网络的发展有效推动了数据挖掘和模式识别的研究。基于深度学习的无监督异常检测方法，通过同时考虑各种传感器特征，超越了单变量时间序列检测方法。近年来，图神经网络在处理图形数据方面取得了巨大成功，多变量时间序列也可被视为具有图结构的数据，传感器作为节点存在隐藏关系。

为解决多变量时间序列异常检测中仍存在的问题，本文提出了一种基于预训练的交互式时空图神经网络（PT - ISTGNN）。该网络由预训练模块和预测模块组成，预训练模块使用改进的Transformer编码器对多变量时间序列进行无监督表示学习，以削弱训练数据中异常波动的影响；预测模块在建模每个时间序列内的时间依赖关系的同时，明确建模不同传感器之间的相关性。

2. 形式化与预备知识

2.1 问题表述

多变量时间序列异常检测旨在检测实体级别的异常。输入序列由随时间变化的传感器数据组成，记为 (X = {x_1, x_2, \cdots, x_n} \in R^{n×m})，其中 (n) 是时间序列的长度，