SimAD：一种基于简单差异性的时间序列异常检测方法

《IEEE Transactions on Neural Networks and Learning Systems》：SimAD: A Simple Dissimilarity-Based Approach for Time-Series Anomaly Detection

时间序列异常检测中，传统方法存在时间窗口有限、正常模式表征不足及评估指标不完善等问题。本文提出SimAD方法，通过扩展时间窗口处理、EmbedPatch编码器整合正常模式，并设计ContrastFusion模块增强异常检测的鲁棒性。创新性地引入无偏隶属度（UAff）和归一化隶属度（NAff）评估指标，显著提升检测效果。实验表明，在7个多变量数据集上，SimAD相比SOTA方法在F1、Aff-F1、NAff-F1和AUC指标上分别提升19.85%、4.44%、77.79%和9.69%。

　　

摘要：

尽管基于重建的深度学习方法非常普遍，但时间序列异常检测（TSAD）仍然是一个巨大的挑战。现有方法常常面临时间上下文有限、正常模式表示不足以及评估指标不完善等问题，这些因素都限制了它们检测异常行为的效果。为了解决这些问题，我们提出了一种基于差异性的时间序列异常检测方法（SimAD）。具体来说，SimAD首先采用了一种基于补丁的特征提取器，能够处理扩展的时间窗口，并利用EmbedPatch编码器来全面整合正常行为模式。其次，我们在SimAD中设计了一个创新的ContrastFusion模块，通过突出正常数据与异常数据之间的分布差异来增强异常检测的鲁棒性。第三，我们引入了两种鲁棒的增强评估指标：无偏关联度（UAff）和标准化关联度（NAff），旨在克服现有指标的局限性，提供更好的区分度和语义清晰度。这两种指标的可靠性已经通过理论和实验分析得到了验证。在七个不同的时间序列数据集上进行的实验清楚地表明，SimAD的性能优于最先进的方法（SOTA），在指标上相对提高了19.85%，在Aff-F1指标上提高了4.44%，在NAff-F1指标上提高了77.79%，在AUC指标上提高了9.69%。代码和预训练模型可在https://github.com/EmorZz1G/SimAD获取。

引言

时间序列异常检测（TSAD）是时间序列分析的关键组成部分，其目标是准确检测时间序列数据中的异常模式并确定它们的具体位置[1]、[2]。TSAD方法利用时间序列数据来识别网络流量中的异常情况，这对于确保网络服务的稳定性、安全性和高效运行至关重要[3]。无监督方法在学术研究中受到了广泛关注，特别是通过基于重建的方法来应对这一挑战[4]、[5]、[6]、[7]、[8]。这些方法假设模型在正常数据上训练得非常完美，并在测试阶段对异常数据赋予更高的异常分数。然而，这些方法在实际应用中的表现并不理想。通过对现有研究的全面回顾[9]、[10]、[11]、[12]，结合我们详细的实验分析，我们发现了TSAD领域中的几个关键挑战。