Deep neural networks-based anomaly detection system on multivariate time-series data
Çok değişkenli zaman serisi verisi üzerinde derin sinir ağları tabanlı anomali tespit sistemi
- Tez No: 640156
- Danışmanlar: DR. ÖĞR. ÜYESİ CEMAL OKAN ŞAKAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Anomali, LSTM, Kernel tahminleyici, Güven aralığı, Çok değişkenli zaman serisi verisi, Denetimsiz öğrenme, Anomaly, LSTM, Kernel Estimator, Confidence Interval, Multivariate Time Series Data, Unsupervised learning
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 63
Özet
Bu tezde katmalı LSTM sinir ağı üzerine kurgulanmış, çok değişkenli zaman serisi üzerinde anomali tespiti yapabilen denetimsiz model oluşturulmuştur. Singapur Teknoloji ve Tasarım Üniversitesi tarafından sağlanan ve tezde kullanılan Secure Water Treatment (SWaT) veri seti, çok değişkenli, etiketli veri setidir ve anomali örnekleri içermektedir. SWaT veri seti eğitim ve test veri setlerinden oluşmaktadır. Eğitim veri seti sadece normal örnekleri içeriyor iken, test veri seti hem normal hem de anormal örnekler içermektedir. Sensörlerin t+1 zamanındaki değerlerini tahmin etmek için katmalı LSTM mimarisi tasarlanmıştır. Veri normalleştirme model performansı üzerinde önemli bir faktördür. Bu sebep ile tasarlanan modeller farklı normalleştirme yöntemleri ile test edilmiştir. Aynı zamanda katmanlı LSTM modelinin performansı farklı pencere boyut değerleri ile değerlendirilmiştir. Tezde kullanılan veri setinin çok değişkenli ve değişkenler arasındaki ilişkinin analizinin anormal sinyal üretimi için gerekli olduğu düşünülerek sensörlerde gözlemlenen değerlerin anomali olma olasılıklarını belirlemek için çok değişkenli gaussian kernel tahminleyici kullanılmıştır. Test veri setinde anormal örneklerin tespiti için güven aralığı istatistiksel yöntemi kullanılmıştır. Anormal örnek tespiti üzerinde çok değişkenli gaussian kernel tahminleyici kullanan LSTM modelinin performansı ile değişkenleri kendi arasında bağımsız analiz eden LSTM modelinin performansı karşılaştırılmıştır. Elde edilen sonuçlar çok değişkenli gaussian kernel tahminleyici kullanan LSTM modelinin daha yüksek kesinlik, duyarlılık ve f1 değerleri ürettiğini göstermektedir.
Özet (Çeviri)
In this thesis, an unsupervised time series multivariate data anomaly detection system based on stacked LSTM deep neural network was proposed. The Secure Water Treatment (SWAT) used in the experiments, which is a multi-variate and labeled dataset including some anomaly points, was acquired from Singapore University of Technology and Design. The SWaT data set consists of separate training and test sets. Training data set contains of only normal data while test data set contains both normal and anomaly data. A stacked LSTM architecture was designed to predict the values of the multiple sensors at time t+1 using the previous values. Data normalization is an important factor on model performance. Therefore, the models were tested with different normalization techniques. The performance of the stacked LSTM was also examined with changing values of window size. Considering that the data set is multivariate and inferring relationships among featues is required to produce an anomaly signal, a multivariate gaussian kernel estimator was used to produce the probability of the observed sensor values indicating an anomaly. In order to detect anomalies in the test data set, confidence interval statistical algorithm was used. The anomaly detection performance of the model that uses multivariate gaussian kernel estimator was compared aganist the LSTM models which evaluate the predictions independently to decide if the given point is anomly. The obtained results showed that multivariate gaussian kernel estimator-based stacked LSTM produced higher precision, recall and F1 metrics.
Benzer Tezler
- Nesnelerin interneti tabanlı ağ trafiğinde ileri makine öğrenimi ve derin öğrenme yöntemleri ile anomali tespiti
Anomaly detection in internet of things based network traffic with advanced machine learning and deep learning methods
YAĞIZ ONUR KOLCU
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAfyon Kocatepe ÜniversitesiBilgisayar Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET HAŞİM YURTTAKAL
- Derin öğrenme kullanarak uçak tanıma
Aircraft recognition with deep learning
ZEYNEL ÜNAL
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTürk Hava Kurumu ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ŞADİ ŞEHAB
- Anomaly detection in diverse sensor networks using machine learning
Çeşitli sensör ağlarında makine öğrenimi ile anomali tespiti
ALİ ALP AKYOL
Doktora
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ORHAN ARIKAN
- Ağ davranış modeli ile kurum içi saldırıların belirlenmesi
Detection of insider attacks using network behavour model
AYŞE GÜL
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. ERTUĞRUL KARAÇUHA
PROF. DR. EŞREF ADALI
- Yapay zekâ-tabanlı hibrit anomali tespit ve klinik karar destek teknikleri ile kardiyovasküler hastalıkların ve COVİD-19'un otomatik tespiti
Artificial intelligence-based hybrid anomaly detection and clinical decision support techniques for automated detection of cardiovascular diseases and COVİD-19
MERVE BEGÜM TERZİ
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ORHAN ARIKAN