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: Belirtilmemiş.
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
- Anomaly detection in ınternet of medical things using deep learning
Anomaly detect ionin internet of medical things using deep learning
AYŞE BETÜL BÜKEN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- İdrar kültürlerinden izole edilen coag (-) staphylococcus (s. epidrmidis ve s. saprophyticus)'ların idrar yolu enfeksiyonlarındaki yeri
The Place of coag (-) staphylococcus to the urinary tract infectron which are isolated from the urine cultures
SUMRU ÇITAK(KORMAN)
- Dondurularak saklamanın tavuk etinin bazı kalite özellikleri üzerine etkisi
Başlık çevirisi yok
Ö.EVREN ATASOY
Yüksek Lisans
Türkçe
1987
Gıda MühendisliğiEge ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
DR. SUMRU TÖMEK
- Çanakkale ve çevresi artiodactyla fosilleri (paleontoloji, biyostratigrafi, paleoekoloji ve paleobiyocoğrafya) (2 cilt)
Başlık çevirisi yok
VAHDET TUNA
- Uygun sulama yönteminin seçimine ekonomik faktörlerin etkisi
Effect of economical factors on the selection of irrigation methods
YASEMİN ALTINORAK
Yüksek Lisans
Türkçe
1987
ZiraatAnkara ÜniversitesiKültürteknik Ana Bilim Dalı
YRD. DOÇ. DR. OSMAN YILDIRIM