Anomaly detection in multivariate time series : comparison of selected inference models and threshold definition methods

Anomaly detection is an essential analysis that regards various fields ranging from medical detection to industrial damage detection, from intrusion detection to fraud. It is focused on automatically monitoring different types of data, such as images or time series, to predict and detect possible malfunctions or unexpected and unpredicted behaviors. An accurate, quick, precise, and efficient anomaly detection makes it possible to achieve significant benefits, mainly in time and economics. This work presents anomaly detection methods based on several neural networks method analyzing two different datasets: SKAB and Exathlon. They both contain a multivariate time series that, respectively, record tests on a test bench and some Spark application execution. Different inference models, combined with several thresholding techniques, have been tested to evaluate whether the most relevant contribution to detecting anomalies regards the model or the thresholding method.

Il rilevamento delle anomalie è un’analisi essenziale che copre svariati campi, dal rilevamento di anomalie in campo medico a quello dei danni industriali, dal rilevamento delle intrusioni a quello delle frodi. Si concentra sul monitoraggio automatico di diversi tipi di dati, come immagini o serie temporali, per prevedere e rilevare malfunzionamenti o comportamenti inaspettati e non previsti. Un rilevamento accurato, rapido, preciso ed efficiente delle anomalie produce vantaggi significativi, soprattutto in termini di tempo e di costi. Il lavoro presenta metodi di rilevamento delle anomalie basati su diverse reti neurali, analizzando due diversi set di dati: SKAB ed Exathlon. Entrambi contengono una serie temporale multivariata che registrano rispettivamente i test su un banco di prova e l’esecuzione di dieci applicazioni Spark. Sono stati testati diversi modelli di inferenza, combinati con varie tecniche di threshold, per valutare se il contributo più rilevante nell’induviduare le anomalie riguarda il modello o il metodo di threshold.