Unifying Explainable Anomaly Detection and Root Cause Analysis in Dynamical Systems

要約

さまざまな科学および工学ドメインで一般的な動的システムは、パフォーマンスと信頼性に大きな影響を与える可能性のある異常の影響を受けます。
このペーパーでは、異常検出、根本原因の局在化、および通常の微分方程式（ODE）によって支配された動的システムにおける異常なタイプの分類の重要な課題について説明します。
異常の2つのカテゴリを定義します。つまり、相互接続された変数を介して伝播するサイバーアノマリーと、個々の変数に局在したままの測定異常です。
これらの課題に対処するために、モデル内注文の説明可能な学習フレームワークである解釈可能な因果関係の通常の微分方程式（ICODE）ネットワークを提案します。
ICODEは、根本原因分析（RCA）を実行するために説明チャネルを介して因果関係の推論を使用しながら、異常検出のためにニューラルODを活用し、特定の期間が異常としてフラグが付けられる理由を解明します。
ICODEは、単一の解釈可能なフレームワーク内で異常検出、RCA、および異常タイプの分類を同時に実行するように設計されています。
私たちのアプローチは、異常がシステムの根本的なodeを変化させ、変数間の因果関係の変化として顕在化するという仮説に基づいています。
学習されたモデルパラメーターの摂動をどのように使用して、時系列データに異常とその根本原因を特定できるかについての理論的分析を提供します。
包括的な実験的評価は、さまざまな動的システムにわたるICODEの有効性を実証し、異常を正確に検出し、その種類を分類し、その起源を特定する能力を示しています。

要約(オリジナル)

Dynamical systems, prevalent in various scientific and engineering domains, are susceptible to anomalies that can significantly impact their performance and reliability. This paper addresses the critical challenges of anomaly detection, root cause localization, and anomaly type classification in dynamical systems governed by ordinary differential equations (ODEs). We define two categories of anomalies: cyber anomalies, which propagate through interconnected variables, and measurement anomalies, which remain localized to individual variables. To address these challenges, we propose the Interpretable Causality Ordinary Differential Equation (ICODE) Networks, a model-intrinsic explainable learning framework. ICODE leverages Neural ODEs for anomaly detection while employing causality inference through an explanation channel to perform root cause analysis (RCA), elucidating why specific time periods are flagged as anomalous. ICODE is designed to simultaneously perform anomaly detection, RCA, and anomaly type classification within a single, interpretable framework. Our approach is grounded in the hypothesis that anomalies alter the underlying ODEs of the system, manifesting as changes in causal relationships between variables. We provide a theoretical analysis of how perturbations in learned model parameters can be utilized to identify anomalies and their root causes in time series data. Comprehensive experimental evaluations demonstrate the efficacy of ICODE across various dynamical systems, showcasing its ability to accurately detect anomalies, classify their types, and pinpoint their origins.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google