JP7105932B2 - アプリケーション情報に関連する時系列ズデータに関する深層学習を使用した異常検出 - Google Patents
アプリケーション情報に関連する時系列ズデータに関する深層学習を使用した異常検出 Download PDFInfo
- Publication number
- JP7105932B2 JP7105932B2 JP2020570141A JP2020570141A JP7105932B2 JP 7105932 B2 JP7105932 B2 JP 7105932B2 JP 2020570141 A JP2020570141 A JP 2020570141A JP 2020570141 A JP2020570141 A JP 2020570141A JP 7105932 B2 JP7105932 B2 JP 7105932B2
- Authority
- JP
- Japan
- Prior art keywords
- time series
- series segment
- new time
- monitored system
- segment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
- G06F16/2365—Ensuring data consistency and integrity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Databases & Information Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Debugging And Monitoring (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
多変量時系列データは、例えば、発電所モニタリング、ヘルスケア、ウェアラブル装置、自動車モニタリング、物のインターネットアプリケーションなどを含む、多くの実用的なアプリケーションにわたって共通である。多変量時系列の検索は、現在の多変量時系列セグメントが与えられたときに、履歴データから関連する時系列セグメントをどのように取得するかを特徴付ける。言い換えると、特定の既知の時系列を使用して履歴データ内で一致する時系列を見つけることは、特に困難になり得る。
Claims (14)
- 異常を検出し補正する方法であって、
監視対象システム内のセンサによって生成された新しい時系列セグメントを、前記センサの以前の時系列セグメントと比較して(204)、各以前の時系列セグメントの類似性測度を生成することと、
前記類似性測度に基づいて前記新しい時系列が異常な挙動を表すことを決定する(206)ことと、
前記異常な挙動を補正するために、前記監視対象システムに対して補正措置を実行する(208)ことと、
各以前の時系列セグメントと前記新しい時系列セグメントとについてハッシュコードを生成することと、を含み、
前記新しい時系列セグメントを前記以前の時系列セグメントと比較することは、各以前の時系列セグメントと前記新しい時系列セグメントについて前記ハッシュコード間の距離を決定することを含み、
前記新しい時系列が異常な挙動を表すことを決定することは、前記新しい時系列セグメントのハッシュコードと前記以前の時系列セグメントのハッシュコードとの間で決定された距離の中で最低距離を識別することと、前記最低距離をしきい値と比較することと、を含み、
前記以前の時系列セグメントの各々のハッシュコード間のハミング距離を決定し、前記しきい値として最高のハミング距離を選択することによって、前記しきい値を決定することを含む方法。 - 前記距離を決定することは、それぞれのハッシュコード間のハミング距離を決定することを含む、請求項1に記載の方法。
- 前記新しい時系列が異常な挙動を表すことを決定することは、前記最低距離が前記しきい値を上回ることを決定することをさらに含む、請求項1に記載の方法。
- 前記ハッシュコードを生成することは、特徴値のベクトル内の各値に符号関数を適用して、前記特徴値のベクトルと同じ次元を有するハッシュベクトルを生成することを含む、請求項1に記載の方法。
- 比較することが、ニューラルネットワーク層に従って、前記新しい時系列セグメントの部分に重み付けすることによって、前記新しい時系列セグメントの特徴を決定することを含む、請求項1に記載の方法。
- 特徴を決定することは、長短期記憶ニューラルネットワーク層を使用して、前記新しい時系列セグメントの異なる部分からの情報を結合することをさらに含む、請求項5に記載の方法。
- 前記補正措置は、前記監視対象システムのアプリケーションまたはハードウェアコンポーネントのセキュリティ設定を変更すること、前記監視対象システムのアプリケーションまたはハードウェアコンポーネントの動作パラメータを変更すること、前記監視対象システムのアプリケーションを停止または再起動すること、前記監視対象システムのハードウェアコンポーネントを停止または再起動すること、前記監視対象システムの環境条件を変更すること、および前記監視対象システムのネットワークインターフェースのステータスを変更することからなる群から選択される、請求項1に記載の方法。
- 異常を検出し補正するシステムであって、
監視対象システム内のセンサによって生成された新しい時系列セグメントを、前記センサの以前の時系列セグメントと比較して、各以前の時系列セグメントに対する類似性測度を生成し、前記類似性測度に基づいて前記新しい時系列が異常な挙動を表すことを決定するように構成された異常検出器(812)と、
前記異常な挙動を補正するために前記監視対象システム上で補正措置を実行するように構成されたコントローラ(814)と、を含み、
前記異常検出器は、
各以前の時系列セグメントおよび前記新しい時系列セグメントについてハッシュコードを生成し、各以前の時系列セグメントと前記新しい時系列セグメントとの前記ハッシュコード間の距離を決定し、
前記新しい時系列セグメントのハッシュコードと前記以前の時系列セグメントの前記ハッシュコードとの間の前記決定された距離のうちの最低距離を識別し、前記最低距離をしきい値と比較し、
前記以前の時系列セグメントの各々のハッシュコード間のハミング距離を決定し、前記閾値として最高のハミング距離を選択するように構成される、システム。 - 前記異常検出器は、それぞれのハッシュコード間のハミング距離を決定するようにさらに構成される、請求項8に記載のシステム。
- 前記異常検出器は、前記最低距離が前記しきい値を上回っていることを決定するようにさらに構成される、請求項8に記載のシステム。
- 前記異常検出器は、特徴値のベクトル内の各値に符号関数を適用して、前記特徴値のベクトルと同じ次元を有するハッシュベクトルを生成するようにさらに構成される、請求項8に記載のシステム。
- 前記異常検出器は、ニューラルネットワーク層に従って、前記新しい時系列セグメントの部分を重み付けすることによって、前記新しい時系列セグメントの特徴を決定するようにさらに構成される、請求項8に記載のシステム。
- 前記異常検出器は、長短期記憶ニューラルネットワーク層を使用して、前記新しい時系列セグメントの異なる部分からの情報を結合するようにさらに構成される、請求項12に記載のシステム。
- 前記コントローラは、前記監視対象システムのアプリケーションまたはハードウェアコンポーネントのセキュリティ設定を変更すること、前記監視対象システムのアプリケーションまたはハードウェアコンポーネントの動作パラメータを変更すること、前記監視対象システムのアプリケーションを停止または再起動すること、前記監視対象システムのハードウェアコンポーネントを停止または再起動すること、前記監視対象システムの環境条件を変更すること、および前記監視対象システムのネットワークインターフェースのステータスを変更することからなる群から選択される補正措置を実行するようにさらに構成される、請求項8に記載のシステム。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862726501P | 2018-09-04 | 2018-09-04 | |
US62/726,501 | 2018-09-04 | ||
US16/558,639 US11494618B2 (en) | 2018-09-04 | 2019-09-03 | Anomaly detection using deep learning on time series data |
US16/558,639 | 2019-09-03 | ||
PCT/US2019/049443 WO2020068382A2 (en) | 2018-09-04 | 2019-09-04 | Anomaly detection using deep learning on time series data |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021528745A JP2021528745A (ja) | 2021-10-21 |
JP7105932B2 true JP7105932B2 (ja) | 2022-07-25 |
Family
ID=69641694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020570141A Active JP7105932B2 (ja) | 2018-09-04 | 2019-09-04 | アプリケーション情報に関連する時系列ズデータに関する深層学習を使用した異常検出 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11494618B2 (ja) |
JP (1) | JP7105932B2 (ja) |
WO (1) | WO2020068382A2 (ja) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11487872B2 (en) * | 2018-12-07 | 2022-11-01 | Hewlett Packard Enterprise Development Lp | Detection of hardware security attacks |
US11797843B2 (en) * | 2019-03-06 | 2023-10-24 | Samsung Electronics Co., Ltd. | Hashing-based effective user modeling |
JP7248103B2 (ja) * | 2019-03-26 | 2023-03-29 | 日本電気株式会社 | 異常検知方法、異常検知装置、プログラム |
US11719563B2 (en) * | 2019-07-03 | 2023-08-08 | Red Hat, Inc. | Distributed anomaly detection using combinable measurement value summaries |
US11543808B2 (en) * | 2020-04-08 | 2023-01-03 | Nec Corporation | Sensor attribution for anomaly detection |
US20230154080A1 (en) * | 2020-04-20 | 2023-05-18 | Schlumberger Technology Corporation | Characterizing non-linear dynamic processes |
WO2021220358A1 (ja) * | 2020-04-27 | 2021-11-04 | 三菱電機株式会社 | 異常診断方法、異常診断装置および異常診断プログラム |
US11956224B2 (en) * | 2020-06-11 | 2024-04-09 | Bank Of America Corporation | Using machine-learning models to authenticate users and protect enterprise-managed information and resources |
US20220019665A1 (en) * | 2020-07-20 | 2022-01-20 | Cybereason Inc. | Systems and methods for determining measurements of similarity between various types of data |
US11336507B2 (en) * | 2020-09-30 | 2022-05-17 | Cisco Technology, Inc. | Anomaly detection and filtering based on system logs |
US20220318624A1 (en) * | 2021-04-05 | 2022-10-06 | Nec Laboratories America, Inc. | Anomaly detection in multiple operational modes |
US20220318627A1 (en) * | 2021-04-06 | 2022-10-06 | Nec Laboratories America, Inc. | Time series retrieval with code updates |
EP4206838A1 (en) | 2021-12-29 | 2023-07-05 | Petkim Petrokimya Holding A.S. | Forecasting and anomaly detection method for low density polyethylene autoclave reactor |
TWI806536B (zh) * | 2022-04-06 | 2023-06-21 | 瑞昱半導體股份有限公司 | 異常狀態偵測的處理電路、網路設備與處理方法 |
CN115600932B (zh) * | 2022-12-12 | 2023-06-30 | 杭州原数科技有限公司 | 一种基于大数据的文物储藏环境异常评估方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015230727A (ja) | 2014-06-05 | 2015-12-21 | 三菱電機株式会社 | 時系列データ内の異常を検出する方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5301310B2 (ja) * | 2009-02-17 | 2013-09-25 | 株式会社日立製作所 | 異常検知方法及び異常検知システム |
US9916538B2 (en) * | 2012-09-15 | 2018-03-13 | Z Advanced Computing, Inc. | Method and system for feature detection |
US10891558B2 (en) * | 2015-01-21 | 2021-01-12 | Anodot Ltd. | Creation of metric relationship graph based on windowed time series data for anomaly detection |
KR102215690B1 (ko) * | 2015-12-29 | 2021-02-16 | 삼성에스디에스 주식회사 | 시계열의 데이터를 모니터링 하는 방법 및 그 장치 |
US20190206520A1 (en) * | 2017-12-31 | 2019-07-04 | QZ Labs | Mobile-native clinical trial operations service suite |
-
2019
- 2019-09-03 US US16/558,639 patent/US11494618B2/en active Active
- 2019-09-04 WO PCT/US2019/049443 patent/WO2020068382A2/en active Application Filing
- 2019-09-04 JP JP2020570141A patent/JP7105932B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015230727A (ja) | 2014-06-05 | 2015-12-21 | 三菱電機株式会社 | 時系列データ内の異常を検出する方法 |
Non-Patent Citations (4)
Title |
---|
Dragomir Yankov, et al.,"Dot Plots for Time Series Analysis",Proceedings of the 17th IEEE International Conference on Tools with Artificial Intelligence (ICTAI'05),IEEE,2005年11月16日,Pages 1-10,ISBN: 0-7695-2488-5, <DOI: 10.1109/ICTAI.2005.60>. |
Tae-Young Kim, et al.,"Web traffic anomaly detection using C-LSTM neural networks",Expert Systems With Applications,Elsevier,2018年04月05日,Vol.106,Pages 66-76,[online], [令和4年2月12日検索], インターネット, <URL: http://sclab.yonsei.ac.kr/publications/Papers/IJ/2018_ESWA_TYK.pdf> and <URL: https://doi.org/10.1016/j.eswa.2018.04.004>,ISSN: 0957-4174 |
中村 隆顕(外3名),「標本部分列を用いた時系列データ異常検知方式」,電気学会論文誌C,日本,一般社団法人 電気学会,2016年03月01日,Vol.136, No.3,第363~372頁,ISSN: 0385-4221. |
入江 豪,「効果的な類似画像検索のためのハッシング」,映像情報メディア学会誌,日本,一般社団法人 映像情報メディア学会,2015年,Vol.69, No.2,第124~130頁,[online], [令和4年2月12日検索], インターネット, <URL: https://doi.org/10.3169/itej.69.124>,ISSN: 1881-6908. |
Also Published As
Publication number | Publication date |
---|---|
WO2020068382A2 (en) | 2020-04-02 |
WO2020068382A3 (en) | 2020-06-18 |
US11494618B2 (en) | 2022-11-08 |
JP2021528745A (ja) | 2021-10-21 |
US20200074275A1 (en) | 2020-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7105932B2 (ja) | アプリケーション情報に関連する時系列ズデータに関する深層学習を使用した異常検出 | |
US11169514B2 (en) | Unsupervised anomaly detection, diagnosis, and correction in multivariate time series data | |
US10929220B2 (en) | Time series retrieval for analyzing and correcting system status | |
US11715015B2 (en) | Methods and arrangements to identify feature contributions to erroneous predictions | |
CN112800116B (zh) | 一种业务数据的异常检测方法及装置 | |
Aggarwal et al. | Two birds with one network: Unifying failure event prediction and time-to-failure modeling | |
JP7201844B2 (ja) | グラディエントベースのセンサ識別を利用した障害予測 | |
US11657121B2 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
JP2022092592A (ja) | 機器の故障及び残存耐用時間を予測する方法、装置及びプログラム | |
US20230085991A1 (en) | Anomaly detection and filtering of time-series data | |
US20220334573A1 (en) | Sensor-agnostic mechanical machine fault identification | |
CN113762344A (zh) | 机床主轴的故障识别方法、故障识别模型训练方法及装置 | |
WO2023196129A1 (en) | Anomaly detection using multiple detection models | |
WO2023107836A1 (en) | Machine-learning based behavior modeling | |
US20230071667A1 (en) | Neural network input embedding including a positional embedding and a temporal embedding for time-series data prediction | |
US20220318624A1 (en) | Anomaly detection in multiple operational modes | |
US20220318627A1 (en) | Time series retrieval with code updates | |
US20240104344A1 (en) | Hybrid-conditional anomaly detection | |
US20230236927A1 (en) | Anomaly detection on dynamic sensor data | |
US20230110056A1 (en) | Anomaly detection based on normal behavior modeling | |
US20240134736A1 (en) | Anomaly detection using metric time series and event sequences for medical decision making | |
CN117609911A (zh) | 传感设备的异常识别方法及装置 | |
WO2015063435A1 (en) | Method of regression for change detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201216 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220222 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220517 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220705 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220712 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7105932 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313113 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |