F-SE-LSTM: A Time Series Anomaly Detection Method with Frequency Domain Information

要約

社会の発展に伴い、時系列異常検知はネットワークやIoTサービスにおいて重要な役割を果たしている。しかし、既存の異常検知手法の多くは、時系列を時間領域で直接分析するため、比較的隠れた異常シーケンスを区別することができない。我々は、周波数領域の観点から時系列における周波数の影響を分析することを試み、F-SE-LSTMと呼ばれる新しい時系列異常検出法を提案する。この方法では、2つのスライディングウィンドウと高速フーリエ変換（FFT）を利用して周波数行列を構築する。同時に、Squeeze-and-Excitation Networks (SENet)とLong Short-Term Memory (LSTM)を採用し、期間内および期間間の周波数関連特徴を抽出する。Yahoo Webscope S5やNumenta Anomaly Benchmarkなどの複数のデータセットでの比較実験を通じて、F-SE-LSTMによって構築された周波数行列が、通常の時間領域や周波数領域のデータよりも優れた識別能力を示すことが実証された。さらに、F-SE-LSTMは、異常検知能力と実行効率の点で、既存の最先端ディープラーニング異常検知手法を凌駕している。

要約(オリジナル)

With the development of society, time series anomaly detection plays an important role in network and IoT services. However, most existing anomaly detection methods directly analyze time series in the time domain and cannot distinguish some relatively hidden anomaly sequences. We attempt to analyze the impact of frequency on time series from a frequency domain perspective, thus proposing a new time series anomaly detection method called F-SE-LSTM. This method utilizes two sliding windows and fast Fourier transform (FFT) to construct a frequency matrix. Simultaneously, Squeeze-and-Excitation Networks (SENet) and Long Short-Term Memory (LSTM) are employed to extract frequency-related features within and between periods. Through comparative experiments on multiple datasets such as Yahoo Webscope S5 and Numenta Anomaly Benchmark, the results demonstrate that the frequency matrix constructed by F-SE-LSTM exhibits better discriminative ability than ordinary time domain and frequency domain data. Furthermore, F-SE-LSTM outperforms existing state-of-the-art deep learning anomaly detection methods in terms of anomaly detection capability and execution efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL