روش سیگنال های هشدار پنهان را در اندازه گیری های جمع آوری شده با گذشت زمان پیدا می کند

هنگامی که شما مسئولیت ماهواره ای چند میلیارد دلاری را که با هزاران مایل در ساعت از فضا عبور می کند ، می خواهید مطمئن باشید که این یکنواخت در حال اجرا است. و سریال های زمانی می توانند کمک کنند.

یک سری زمانی به سادگی سابقه ای از اندازه گیری است که به طور مکرر با گذشت زمان انجام می شود. این می تواند روندهای بلند مدت و کوتاه مدت یک سیستم را پیگیری کند. مثالها شامل منحنی بدنام Covid-19 از موارد روزانه جدید و منحنی Keeling است که غلظت دی اکسید کربن جوی را از سال 1958 ردیابی کرده است. در عصر داده های بزرگ ، "سریال های زمانی در همه مکان جمع آوری می شوند ، از ماهواره ها تا توربین ها ،"Kalyan Veeramachaneni."تمام این ماشین آلات سنسورهایی دارند که این سری های زمانی را در مورد نحوه عملکرد آنها جمع می کنند."

اما تجزیه و تحلیل آن سری های زمانی و پرچم گذاری نقاط داده غیر عادی در آنها می تواند مشکل باشد. داده ها می توانند پر سر و صدا باشند. اگر یک اپراتور ماهواره ای رشته ای از خواندن درجه حرارت بالا را می بیند ، چگونه می دانند که آیا این یک نوسان بی ضرر است یا نشانه ای از ماهواره در حال گرم شدن بیش از حد است؟

این یک مشکلی است که Veeramachaneni ، که گروه داده ها را به آزمایشگاه MIT برای اطلاعات و سیستم های تصمیم گیری هدایت می کند ، امیدوار است که حل شود. این گروه یک روش جدید و مبتنی بر یادگیری عمیق برای پرچم گذاری ناهنجاری ها در داده های سری زمانی ایجاد کرده است. رویکرد آنها ، به نام تادگان ، از روشهای رقابتی بهتر عمل می کند و می تواند به اپراتورها کمک کند تا تغییرات عمده ای در طیف وسیعی از سیستم های با ارزش بالا را تشخیص دهند و پاسخ دهند ، از یک ماهواره که از طریق فضا به یک مزرعه سرور رایانه ای که در یک زیرزمین وزوز می کند ، پاسخ دهند.

این تحقیق در کنفرانس IEEE Bigdata در این ماه ارائه می شود. نویسندگان این مقاله شامل اعضای گروه داده به AID Veeramachaneni ، Postdoc Dongyu Liu ، دانشجوی تحقیقاتی الکساندر گیگر ، و دانشجوی کارشناسی ارشد سارا آلنگیمیش ، و همچنین آلفردو کوستا ایفرانس از دانشگاه ری خوان کارلوس اسپانیا هستند.

سهام

برای یک سیستم به عنوان یک ماهواره پیچیده ، تجزیه و تحلیل سری زمانی باید خودکار باشد. شرکت ماهواره ای SES که با Veeramachaneni همکاری می کند ، از ماهواره های ارتباطی خود سیل سریال زمانی دریافت می کند - حدود 30،000 پارامتر منحصر به فرد در هر فضاپیما. اپراتورهای انسانی در اتاق کنترل SES فقط می توانند بخشی از آن سریال های زمانی را پیگیری کنند ، زیرا آنها گذشته روی صفحه چشمک می زنند. برای بقیه ، آنها به یک سیستم زنگ هشدار متکی هستند تا مقادیر خارج از محدوده را پرچم گذاری کنند. Veeramachaneni می گوید: "بنابراین آنها به ما گفتند ،" آیا می توانید بهتر عمل کنید؟ "این شرکت از تیمش می خواست از یادگیری عمیق برای تجزیه و تحلیل تمام آن سری های زمانی استفاده کند و هرگونه رفتار غیرمعمول را پرچم گذاری کند.

سهام این درخواست زیاد است: اگر الگوریتم یادگیری عمیق نتواند ناهنجاری را تشخیص دهد ، تیم می تواند فرصتی برای رفع امور از دست بدهد. اما اگر هر بار که یک نقطه داده پر سر و صدا وجود داشته باشد زنگ هشدار را زنگ می زند ، داوران انسان وقت خود را هدر می دهند و دائماً روی الگوریتمی که گرگ گریه می کند ، چک می کنند. لیو می گوید: "بنابراین ما این دو چالش را داریم.""و ما باید آنها را متعادل کنیم."

این تیم به جای اعتصاب که فقط برای سیستم های ماهواره ای تعادل برقرار می کند ، تلاش کرد تا یک چارچوب کلی تر برای تشخیص ناهنجاری ایجاد کند - یکی از مواردی که می تواند در صنایع اعمال شود. آنها به سیستم های یادگیری عمیق به نام شبکه های مخالف مولد (GAN) روی آوردند که اغلب برای تجزیه و تحلیل تصویر استفاده می شوند.

یک GAN از یک جفت شبکه عصبی تشکیل شده است. یک شبکه ، "ژنراتور" ، تصاویر جعلی ایجاد می کند ، در حالی که شبکه دوم ، "تبعیض آمیز" تصاویر را پردازش می کند و سعی می کند تا مشخص کند که آیا آنها تصاویر واقعی هستند یا جعلی تولید شده توسط ژنراتور. از طریق بسیاری از دورهای این فرآیند ، ژنراتور از بازخورد تبعیض آمیز یاد می گیرد و در ایجاد جعل های بیش از حد واقع بینانه ماهر می شود. این تکنیک یادگیری "بدون نظارت" تلقی می شود ، زیرا نیازی به یک مجموعه داده از پیش نمایشی ندارد که در آن تصاویر با موضوعات خود برچسب گذاری می شوند.(مجموعه داده های بزرگ با برچسب می تواند سخت باشد.)

این تیم این رویکرد GAN را برای داده های سری زمانی تطبیق داد. لیو می گوید: "از این استراتژی آموزشی ، مدل ما می تواند بگوید که نقاط داده طبیعی است و کدام یک غیر عادی است."این کار را با بررسی اختلافات-ناهنجاری های احتمالی-بین سری زمانی واقعی و سری زمانی جعلی گان انجام می دهد. اما این تیم دریافتند که GANS به تنهایی برای تشخیص ناهنجاری در سری زمانی کافی نیست ، زیرا می توانند در مشخص کردن بخش سری زمانی واقعی که در آن موارد جعلی مقایسه می شوند ، کوتاه بیایند. در نتیجه ، "اگر به تنهایی از GAN استفاده کنید ، مثبت کاذب زیادی ایجاد خواهید کرد."

برای محافظت در برابر مثبت های دروغین ، تیم GAN خود را با الگوریتمی به نام AutoEncoder تکمیل کرد - تکنیک دیگری برای یادگیری عمیق بدون نظارت. برخلاف تمایل گانس به گریه گرگ ، خودروهای بیشتر مستعد ابتلا به ناهنجاری های واقعی هستند. این امر به این دلیل است که خودروها تمایل دارند الگوهای زیادی را در سری های زمانی ضبط کنند ، و گاهی اوقات یک ناهنجاری واقعی را به عنوان یک نوسان بی ضرر تعبیر می کنند - مشکلی به نام "بیش از حد". محققان با ترکیب یک GAN با یک AutoEncoder ، یک سیستم تشخیص ناهنجاری را ساختند که تعادل کاملی را به خود اختصاص داده است: تادگان هوشیار است ، اما هشدارهای دروغین زیادی را ایجاد نمی کند.

ایستاده در آزمون سری زمانی

به علاوه ، تادگان این رقابت را شکست داد. رویکرد سنتی برای پیش بینی سری زمانی ، به نام Arima ، در دهه 1970 توسعه یافت. Alnegheimish می گوید: "ما می خواستیم ببینیم تا چه حد به ما رسیده ایم و آیا مدل های یادگیری عمیق می توانند در این روش کلاسیک بهبود یابند."

این تیم تست های تشخیص ناهنجاری را در 11 مجموعه داده انجام داد و آریما را در برابر تادگان و هفت روش دیگر از جمله برخی از شرکت هایی مانند آمازون و مایکروسافت ایجاد کرد. تادگان برای هشت مورد از 11 مجموعه داده از آریما در تشخیص ناهنجاری بهتر عمل کرد. دومین الگوریتم برتر ، که توسط آمازون ساخته شده است ، فقط برای شش مجموعه داده آریما را شکست داد.

Alnegheimish تأکید کرد که هدف آنها نه تنها ایجاد یک الگوریتم تشخیص ناهنجاری درجه یک ، بلکه همچنین قابل استفاده گسترده است. او می گوید: "همه ما می دانیم که هوش مصنوعی از مشکلات تکرارپذیری رنج می برد."این تیم کد تادگان را آزادانه در دسترس قرار داده است ، و آنها به روزرسانی های دوره ای را صادر می کنند. به علاوه ، آنها یک سیستم معیار برای کاربران ایجاد کردند تا عملکرد مدل های مختلف تشخیص ناهنجاری را مقایسه کنند.

وی گفت: "این معیار منبع باز است ، بنابراین کسی می تواند آن را امتحان کند. آنها می توانند در صورت تمایل مدل خود را اضافه کنند. "وی گفت: "ما می خواهیم ننگ پیرامون AI قابل تکرار نیست. ما می خواهیم اطمینان حاصل کنیم که همه چیز سالم است. "

Veeramachaneni امیدوار است که تادگان یک روز به صنایع متنوعی خدمت کند ، نه فقط شرکت های ماهواره ای. به عنوان مثال ، می توان از آن برای نظارت بر عملکرد برنامه های رایانه ای که برای اقتصاد مدرن مهم شده اند استفاده شود."برای اجرای آزمایشگاه ، 30 برنامه دارم. بزرگنمایی ، Slack ، GitHub - شما آن را نامگذاری می کنید ، من آن را دارم. ""و من به همه آنها تکیه می کنم تا یکپارچه و برای همیشه کار کنند."همین مسئله در مورد میلیون ها کاربر در سراسر جهان نیز وجود دارد.

تادگان می تواند به شرکت هایی مانند زوم که سیگنال های سری زمانی را در مرکز داده خود - مانند استفاده از پردازنده یا دما - برای جلوگیری از وقفه های خدمات ، به شما کمک می کند ، کمک کند ، که می تواند سهم بازار یک شرکت را تهدید کند. در کار آینده ، این تیم قصد دارد تا تادگان را در یک رابط کاربری بسته بندی کند ، تا بتواند تجزیه و تحلیل سری زمانی پیشرفته را برای هر کسی که به آن نیاز دارد ، ارائه دهد.

این تحقیق با همکاری SES تأمین و به پایان رسید.

مطالب مرتبط

سوالات رسانه ای

روزنامه نگاران که به دنبال اطلاعات در مورد EEC ها یا مصاحبه با اعضای هیئت علمی EECS هستند ، باید از طریق ایمیل EECS-communications@mit. edu ایمیل کنند.

لطفاً توجه داشته باشید: دفتر ارتباطات EEES فقط سوالات رسانه ای مربوط به گروه مهندسی برق و علوم کامپیوتر MIT را انجام می دهد. لطفاً برای یافتن تیم های اختصاصی رسانه های خود ، از سایر وب سایت های مدرسه ، بخش ، آزمایشگاه یا مرکز بازدید کنید.