（四）MAD-GAN: Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks

内含动画的PPT已经上传，可以在我上传的资源里看到，可免费下载

论文链接：https://arxiv.org/pdf/1901.04997.pdf
论文代码：https://github.com/LiDan456/MAD-GANs
本文一个大的贡献是开源了两个数据集
1、The Secure Water Treatment (SWaT）
2、The Water Distribution (WADI)

本篇论文“MAD-GAN：利用GAN对时间序列数据进行多元异常检测”，发表于2019ICANN上，文章主要围绕”异常检测+多元时间序列+网络入侵+GAN“展开，以下是我这几天阅读该篇文章的收获，其中，模型及结构我自己做了一个动画版，动画版我用了很久的时间去理顺作者的思想做出来的，能够更直观明确地表现出该模型的流程，但是我还不太清楚怎么怎么将动画展示在博客中，后期如果学会我会及时更新，如果有小伙伴着急需要，也可以私信我，对文章理解不到位的地方，也请各位小伙伴指正，共同学习进步！

本文背景

现实世界中的信息物理融合系统（Cyber-Physical Systems），如智能建筑、工厂、发电厂、数据中心等，变得越发巨大和复杂。通常会安装大量的传感器来监测系统的运行状态并检测异常，运维人员从而发现潜在的安全隐患并采取必要的措施。传感器通常生成的是大量的多变量的时间序列，因此本文是基于多变量时间序列的异常检测。异常检测就是找出和系统中正常行为的状态不一致的时间点。通常由于缺乏有标记的数据，异常检测通常是当作无监督的机器学习任务。

本文贡献

（1）提出了基于生成对抗网络（GAN）的多变量时间序列异常检测模型。
（2）以 LSTM 为基本模型来捕获时间上的依赖关系，并将其嵌入到 GAN 的框架中。
（3）同时利用 GAN 的生成器和判别器来检测异常，利用判别器得到判别损失，利用生成器得到重建的损失。

一、论文概括

1. 研究对象
2. 目标
3. 方法
4. 结论

二、相关的研究工作

1. 异常检测
2. MAD-GAN

三、作者的研究方法

• 模型及分析
• 子序列的形成
• DR评分
• 算法流程
• 两个CPS数据集介绍
• 模型相关参数设置
• 评测指标
• 实验结果及比对
  
  关于这个模型的理解，我说说我个人的想法，看似没什么，就是一个GAN模型，但是真正每一步去理解它的时候，总感觉有些地方理解的不透彻，怎么把这个模型的原理搞清楚，并且能够清晰地解释给别人听，让别人也能听明白并理解这个模型，我花了较长时间去思考，某天深夜，想喝奶茶，突然灵机一动，奶茶的例子能够解释这个模型。

（1）为了理解模型的每一块，花了很长的时间做了上面这张图的动态PPT，PPT会跳转出来该模型的怎么运行的，通过动画更能清楚明白地去理解，建议大家先下载定位到这一页再看下面的文字描述解释。

（2）首先分成两个部分，训练阶段+异常检测阶段

• 训练阶段，看成是对奶茶店的新入职的员工进行培训，让她具备制作奶茶的技能；
• 异常检测阶段，看成新员工通过培训，去上岗给顾客做奶茶，顾客的反馈就是检测

（3）具体理解

角色：制作奶茶新员工A（Generator）+品尝奶茶新员工B（Discriminator）+奶茶制作清单Random Latent Space

- 训练阶段

角色：制作奶茶新员工A（Generator）+品尝奶茶新员工B（Discriminator）+奶茶制作清单Random Latent Space

• 首先新员工A（Generator生成器，做奶茶的人)进入培训阶段，首先会拿到一份奶茶制作清单Random Latent Space（可以看成一点点他们家所有饮品的列表）——>新员工需要根据所获得的这份清单去练习制作奶茶（生成样本）——>员工A将制作出来的奶茶给另一位新员工B(Discriminator)去判定自己制作的这杯奶茶怎么样——>B因为也是刚入职，所以她凭借自己品过的奶茶（训练样本）的少许经验去给A提出修改意见（Score）——>A收到修改意见继续努力进步，同时B也在不断地提高自己的鉴品能力——>在反复进行的过程中,A,B都满足了“一点点公司”上岗要求。

此时场景从幕后转换到幕前，A,B上岗啦！！

- 异常检测阶段

角色：制作奶茶新员工A（Generator）+品尝奶茶新员工B（Discriminator）+奶茶制作清单Random Latent Space+顾客下单饮品(测试样本，测试样本中的订单中有一点点，Coco,星巴克，鹿角巷等，正常的订单是一点点，其它的视为异常)

• AB开始上班啦！有顾客开始点单啦！但是顾客点单的方式并不完全中规中矩，比如，红茶玛奇朵，顾客会说成玛奇朵（订单是一点点的，匹配度高，正常）；但是会有顾客说我要一杯香草榛果拿铁（订单是星巴克家的，匹配度低，异常）
• 检测正常：A收到订单（测试集），顾客说要波霸奶茶，波霸奶茶被映射到Random Latent Space（一点点的菜单里能找到）——>A对应找到波霸奶茶，顾客订单和菜单匹配度100%——>根据制作出来波霸奶茶——>顾客拿到做好的奶茶与自己的订单比较——>一致，重构损失0，并且旁边的B在监督的过程中观察到A是根据菜单里做的，匹配，判别损失0——>这个订单正常
• 检测异常：A收到订单（测试集），顾客说要香草榛果拿铁，香草榛果拿铁映射到Random Latent Space（一点点的菜单里没有找到）——>A没有找到100%匹配的，根据最高相似度找到香草奶茶，制作出香草奶茶——>顾客拿到做好的奶茶与自己的订单比较——>不一致，重构损失大，原来香草榛果拿铁是星巴克的，一点点没有，只好按照最高匹配度找到一杯和香草榛果拿铁差不多的饮品制作——>这个订单异常