通过图注意力网络对多变量时序异常检测

原文：Multivariate Time-series Anomaly Detection via Graph Attention Network

现有的多变量时序异常检测一个主要的局限是不能明确地捕获不同时序的关系，导致错误告警。

本文提出一种自监督框架，处理多变量时序异常检测的这种问题。

本框架将每个单变量时序作为一个单独的特征，含有两种图注意力层并行学习多变量在时间和特征维度复杂的依赖关系。

模型的关键是两个图注意力层，即特征图注意力层和时间图注意力层。特征图注意力层捕获多特征间的因果关系，时间图注意力层突出时间维度的依赖。

本文的主要贡献：

1. 提出了一种新的自监督框架解决多参数时间序列异常检测问题；其性能在公开数据集上优于现有方法，F1值在生产数据上提升了9%。

2. 首次平衡了两个并行的图注意力层(GAT)动态学习不同时序和时间戳的关系。特别是可以在没有先验知识的前提下捕获不同时序的相关性。

3. 通过引入一个连接优化目标整合了预测模型和重构模型的优势。预测模型集中于单时间戳的预测，而重构模型学习潜在的整体时间序列的表征。

4. 网络有很好的可解释性。分析通过图注意力层学习的多重时间序列的注意力分数，其结果符合人们的直觉。同时网络有异常诊断的能力。

预测模型专注于下一个时间戳的特征工程的预测；构建的模型负责捕获整个时间序列的数据分布。

多变量时间序列异常检测目的是在实体层级检测异常。

问题定义：多变量实际学异常检测的输入定义为 x ，x 属于 n * k 的自然数矩阵，n 是输入的特征数量。对一个长时间序列，通过长度为 n 的滑窗产生固定长度的输入。多变量时间序列异常检测任务是输出向量 y，数量为 n，yn范围在0,1间用于判断时间戳是否异常。

网络工作流程