《异常检测——从经典算法到深度学习》17 基于 VAE-LSTM 混合模型的时间异常检测
《异常检测——从经典算法到深度学习》
-
0 概论
-
1 基于隔离森林的异常检测算法
-
2 基于LOF的异常检测算法
-
3 基于One-Class SVM的异常检测算法
-
4 基于高斯概率密度异常检测算法
-
5 Opprentice——异常检测经典算法最终篇
-
6 基于重构概率的 VAE 异常检测
-
7 基于条件VAE异常检测
-
8 Donut: 基于 VAE 的 Web 应用周期性 KPI 无监督异常检测
-
9 异常检测资料汇总（持续更新&抛砖引玉）
-
10 Bagel: 基于条件 VAE 的鲁棒无监督KPI异常检测
-
11 ADS: 针对大量出现的KPI流快速部署异常检测模型
-
12 Buzz: 对复杂 KPI 基于VAE对抗训练的非监督异常检测
-
13 MAD: 基于GANs的时间序列数据多元异常检测
-
14 对于流数据基于 RRCF 的异常检测
-
15 通过无监督和主动学习进行实用的白盒异常检测
-
16 基于VAE和LOF的无监督KPI异常检测算法
-
17 基于 VAE-LSTM 混合模型的时间异常检测
-
18 USAD：多元时间序列的无监督异常检测
-
19 OmniAnomaly：基于随机循环网络的多元时间序列鲁棒异常检测
-
20 HotSpot：多维特征 Additive KPI 的异常定位
相关： -
VAE 模型基本原理简单介绍
-
GAN 数学原理简单介绍以及代码实践
-
单指标时间序列异常检测——基于重构概率的变分自编码（VAE）代码实现（详细解释）
17. 基于 VAE-LSTM 混合模型的时间异常检测
论文题目：Anomaly Dection For Time Series using VAE-LSTM hybrid model
CCF B类会议 ICASSP 2020
论文下载：源地址 | 蓝奏云地址2
论文翻译 | 源码地址
17.1 论文概述
论文提出一种 VAE 与 LSTM 的组合模型，并通过实验证明自己的模型是可靠的，有效的。
这是一篇小论文（共5页，参考文献占1页），简单精悍类型的，值得一读。
我们需要重点关注作者是如何结合这两个模型、以及实验是怎么完成的。
17.2 如何结合VAE与LSTM两个模型
从上往下看，首先是一个原始的时间窗口，接下进行编码（VAE 的 encoder），得到的是低维度的向量集。把它们内嵌（embedding）到 LSTM 中，用来预测下一个窗口的内嵌（embedding）。再进行 解码（VAE的Decoder），得到的是重构的窗口。
从左往右看，首先 异常检测值=预测误差。中间是整个网络结构，右边是对每一层的解释。
总结一下，变分自编码的隐变量（即图片中的embedding）作为LSTM的输入，用来预测下一个隐变量（embedding），最后将预测误差作为异常值。
17.3 如何训练VAE-LSTM模型
图片左侧不含异常数据，用于训练。
训练VAE的过程没有做修改，使用的是默认的ELBO作为损失函数。
训练LSTM的过程与其他LSTM一样，希望训练后的模型具有很好的预测能力。
[ e ^ t 2 , ⋅ ⋅ ⋅ , e ^ t k ] = LSTM ( [ e t 1 , ⋅ ⋅ ⋅ , e t k − 1 ] ) (1) [\hat{e}_t^2, \cdot\cdot\cdot, \hat{e}_t^k] = \text{LSTM}([e_t^1,\cdot\cdot\cdot,e_t^{k-1}]) \tag{1} [e^t2,⋅⋅⋅,e^tk]=LSTM([et1,⋅⋅⋅,etk−1])(1)
这个地方省略了LSTM的原理，损失函数，就把它当成一个预测回归模型即可。
17.4 VAE-LSTM如何进行异常检测
完成训练以后，VAE-LSTM已经具备很好的预测能力，注意是预测下一个窗口的对应的VAE的隐变量，并根据这个隐变量，使用训练好的VAE进行重构。
w ^ t − ( k − i ) × p = Decoder ( e ^ t i ) , i = 2 , . . . , k . (2) \hat{w}_{t-(k-i)\times p}=\text{Decoder}(\hat{e}_t^i), \ \ \ i=2,...,k. \tag{2} w^t−(k−i)×p=Decoder(e^ti), i=2,...,k.(2)
对于重构的窗口，可以定义一个函数 d t d_t dt，通过总结 w t w_t wt 的预测误差来评估是否异常。
d t = ∑ i = 2 k ∥ w ^ t − ( k − i ) × p − w t − ( k − i ) × p ∥ (3) d_t= \sum_{i=2}^k \left\| \hat{w}_{t-(k-i)\times p} -w_{t-(k-i)\times p} \right\| \tag{3} dt=i=2∑k∥∥w^t−(k−i)×p−wt−(k−i)×p∥∥(3)
然后根据实际情况定义一个阈值 θ \theta θ ，将 d t d_t dt 的输入转换成0或者1的异常标志。
17.5 实验部分
17.5.1 数据集与实验效果
论文使用了五个数据集，对比实验包括 VAE与ARMA。
具体的数据集可以在 github 源码上看到，具体地址是：https://github.com/lin-shuyu/VAE-LSTM-for-anomaly-detection/tree/master/datasets
17.5.2 使用源码
源码地址
步骤1 克隆源码到本地。
$ git clone https://github.com/lin-shuyu/VAE-LSTM-for-anomaly-detection
步骤 2 查看一下本地是不是安装了 tennsorflow，并看一下版本。
$ pip show tensorflow
如果安装了高版本的tensorflow，尽量降低到1.x，避免后面出现问题。需要注意的是如果出现如下问题是python版本太高而导致的，需要降低python版本后再安装 tensorflow 1.x ，我环境下python的版本是3.7，安装的tensorflow是 1.15.4。
确保tensorflow1.x安装完成以后，就可以准备跑代码了。
步骤4 安装其他所需依赖
$ cd VAE-LSTM-for-anomaly-detection
$ pip install -r requirements.txt
步骤5 跑源码提供的测试代码。
注意首先要跳转到 code 目录下，然后执行以下的 train.py 脚本。
$ cd code
$ python train.py --config NAB_config.json
需要大概几分钟的时候，训练完成以后，再打开源码提供的 NAB-anomaly-detection.ipynb，因此需要环境安装了 anaconda，打开后，就可以Restart & Run All 即可。
运行后会生成一个文件夹，experiments 训练与测试均已完成。
为了查看效果，可以考虑运行一下项目中自带的 ipynb 文件，如下图所示：
17.6 环境搭建遇到问题
很多小伙伴搭建环境时遇到各种各样的问题，毕竟每个人的机器的环境都会有一些差异，一般而言包括以下几种情况：
- 无 python 环境；
- python 版本不符合（一般3.6/3.7就够了）；
- tensorflow 未正确安装；
- tensorflow 版本不符；很多论文用的仍然是低版本的 tensorflow；
- 其他问题，文件找不到、缺某某依赖包，等等。
很难找到一个教程保证所有人都能正常运行，但是希望小伙伴们多一些耐心，多查查资料，与其他小伙伴们交流交流。当然也可以邮箱联系我 [email protected] 或者在下方留言，一定回复~
但最主要的应该还是得靠自己学习、查资料、DEBUG，抱歉~
17.7 总结
小论文言简意赅，主要收获应该包括：
- 了解如何做一个组合模型;
- 跑通源码后可以基于这个基础上修改，实现一些自己的算法；
- 数据集在git仓库中提供，可以拿过来用。
Smileyan
2022.3.28 15:42
感谢您的 点赞、 收藏、评论 与 关注，您的支持是我继续更新的动力！