Details

Тема выпускной квалификационной работы: «Метод обнаружения аномалий во временных рядов на основе архитектуры Transformer». В данной работе предложена двухэтапная модель обнаружения аномалий временных рядов на основе предсказательных остатков, предназначенная для выявления аномалий в критических показателях программного или аппаратного обеспечения серверов. Прогнозная часть модели использует «Независимый от каналов трансформер временных рядов с патчами (PatchTST)». Для анализа остатков применяется алгоритм динамического порога на основе скользящего окна. Чтобы более точно выявлять аномалии в показателях серверов, в модели анализа остатков используется метод экспоненциального взвешенного скользящего среднего (EWMA) для сглаживания остатков и порогов. Алгоритм обрезки аномалий используется для фильтрации возможных ложных срабатываний, что значительно повышает точность модели. Эффективность прогнозной модели была проверена на датасетах AIOps-2018-KPI и (СКЦ) СПбПУ. Эффективность модели обнаружения аномалий была проверена на датасете AIOps-2018-KPI. Результаты экспериментов показали, что предложенный метод демонстрирует явные преимущества по всем показателям.

The topic of the graduate qualification work is «Research on anomaly detection method for time series based on transformer architecture». This thesis proposes a two-stage model for detecting anomalies in time series using predictive residuals, aimed at identifying anomalies in critical metrics of server software or hardware. The predictive component of the model employs the "Channel-Independent Time Series Transformer with Patches (PatchTST)." For residual analysis, a dynamic threshold algorithm based on a sliding window is used. To enhance the accuracy of anomaly detection in server metrics, the residual analysis model utilizes the exponentially weighted moving average (EWMA) method for smoothing residuals and thresholds. An anomaly trimming algorithm is applied to filter out potential false positives, significantly improving the models accuracy. The effectiveness of the predictive model was validated on the AIOps-2018-KPI and (SCC) SPbPU datasets, while the anomaly detection models effectiveness was tested on the AIOps-2018-KPI dataset. Experimental results indicate that the proposed method exhibits clear advantages across all metrics.