Deteksi Anomali Deret Waktu: Tinjauan 10 Tahun

 (arxiv.org)
6 poin oleh GN⁺ 2025-01-07 | 1 komentar | Bagikan ke WhatsApp

  • Tinjauan 10 Tahun Deteksi Anomali Deret Waktu

    • Perkembangan teknologi pengumpulan data serta peningkatan data streaming baru-baru ini menonjolkan pentingnya analisis deret waktu. Karena itu, deteksi anomali deret waktu telah menjadi aktivitas penting di berbagai bidang, termasuk keamanan siber, pasar keuangan, penegakan hukum, dan kesehatan.

    • Literatur deteksi anomali tradisional menekankan pengukuran statistik, tetapi peningkatan algoritme machine learning selama beberapa tahun terakhir menuntut karakteristik yang lebih terstruktur dan umum untuk metode penelitian deteksi anomali deret waktu.

    • Survey ini mengelompokkan dan merangkum solusi deteksi anomali yang ada berdasarkan skema klasifikasi berorientasi proses dalam konteks deret waktu. Selain itu, juga menyajikan klasifikasi unik dari metode deteksi anomali, melakukan meta-analisis literatur, dan merangkum tren umum penelitian deteksi anomali deret waktu.

Bacaan terkait

1 komentar

 
GN⁺ 2025-01-07
Komentar Hacker News

  • UCR Matrix Profile adalah alat yang sangat efektif dalam analisis deret waktu. Dalam menemukan motif dan anomali, tidak perlu menyesuaikan ukuran jendela dan ambang batas seperti teknik tradisional, dan dapat diterapkan pada berbagai bidang mulai dari data sensor manufaktur, analisis ECG, hingga deteksi gempa.

  • Menggunakan fitur offset Prometheus untuk mengatur aturan perekaman rata-rata mingguan. Pada sistem yang berfluktuasi secara mingguan, hitung rata-rata metrik tertentu dan bandingkan dengan nilai saat ini untuk menetapkan ambang batas dinamis. GitLab memberikan penjelasan detail tentang pendekatan ini.

  • Tidak mencerminkan pekerjaan beberapa tahun terakhir. Model berbasis Granite TS berfungsi dengan baik, dan bekerja dengan memprediksi N langkah berikutnya lalu memeriksa seberapa berbeda pengukuran aktual dari prediksi.

  • Di sektor teknologi air, perangkat IoT memantau aliran air, mendeteksi kebocoran, dan memperkirakan konsumsi air per perangkat. Deteksi kebocoran merupakan identifikasi anomali pada time series, dan karena perubahan musiman temperatur pipa, beberapa distribusi mungkin diperlukan.

  • Mencoba deteksi anomali untuk proyek pelacakan performa, tetapi tidak ada solusi open source maupun berbayar yang memadai. Ada banyak peluang di area ini.

  • Keanehan dalam pembentukan data, ketidaklengkapan sistem pengukuran, dan interaksi dengan entitas yang jahat menimbulkan perilaku abnormal. Peristiwa abnormal ini terlihat sebagai anomali pada data yang dikumpulkan.

  • Saya mengoperasikan startup untuk deteksi anomali deret waktu pada mesin industri, dan sedang mengembangkan solusi yang berjalan secara offline. Jika Anda tertarik pada perangkat lunak industri yang sensitif terhadap keamanan, silakan hubungi.

  • Penelitian TSAD oleh Eamonn Keogh menarik.

  • Bingung tentang mengapa SVM dikategorikan sebagai "Distribution-Based". Secara umum, ia tidak memperkirakan model-free density estimation atau distribusi berbasis model.

  • 10 tahun lalu saya membangun sistem prediksi kegagalan online saat mengambil gelar master, di mana sistem tersebut mendeteksi dan menanggapi sebelum pengecualian terjadi. Banyak hal yang perlu dilakukan di area ini; sayang sekali saya tidak sempat mengerjakannya lagi.