Çok değişkenli zaman serisi verilerinde gerçek zamanlı anomali tespiti için dağılımsal rezervuar durum analizi

Veride garip davranışları fark etmenin önemi

Uzay araçlarının sağlığını korumaktan siber saldırıları ve ekipman arızalarını yakalamaya kadar, dünyamız, sayı akışlarını izleyen ve bir şey ters göründüğünde uyaran bilgisayarlara sessizce bağlıdır. Zaman damgalı bu ölçümler, zaman serileri olarak bilinir, hızla değişebilir ve sorunlar kalıcı hasara yol açmadan önce yalnızca saniyeler sürebilir. Zorluk, hızlı öğrenen, sıradan donanımlarda çalışabilen ve olağandışı bir şey başladığında —veya durduğunda— neredeyse anında tepki veren algılayıcılar geliştirmektir. Bu makale, böyle gerçek zamanlı anomali tespiti için pratik bir iş atı olmayı hedefleyen MD-RS adlı yeni bir yöntemi tanıtır.

Veri akışlarını dinlemenin daha hızlı bir yolu

Mevcut birçok araç veriyi kayan bir pencere kullanarak tarar: son veri parçalarını inceler, hepsini eşit değerlendirir ve o pencerenin normal mi yoksa şüpheli mi olduğuna karar verir. Bu basit fikir pratikte yetersiz kalır. Eğer pencere uzun ise, dedektör sorun başladığında geç tepki verir ve problem bittikten sonra uzun süre alarm vermeye devam eder. Pencere kısa ise hızlı tepki verir ama yavaş gelişen kalıplarla —örneğin kademeli sapmalar veya ritim değişiklikleri— zorlanır. Modern transformer ağları gibi derin öğrenme yöntemleri daha zengin kalıpları modelleyebilir ancak genellikle güçlü grafik işlemcilere ihtiyaç duyan uzun eğitim süreleri gerektirir; bu da bir sistemin davranışı değiştiğinde yöntemin anında güncellenmesini zorlaştırır.

Sert bir pencere yerine dinamik bir bellek

MD-RS yöntemi sert pencereleri rezervuar olarak bilinen dinamik, beyne ilham veren bir bellekle değiştirir. Bir ölçüm akışını, birbirine bağlı basit birimlerden oluşan sabit bir ağın içine beslediğinizi hayal edin. Yeni değerler geldikçe bu ağ karışır ve son olayları doğal olarak hatırlarken uzak geçmişi yavaşça unutan değişen bir etkinlik deseni içine yerleşir. İç bağlantılar hiç değişmediği için modelin yalnızca küçük bir kısmı eğitilmelidir; bu da öğrenmeyi sıradan bilgisayarlarda bile hızlı tutar. Verinin bu hareketli “yansıması”, elle sabit bir pencere uzunluğu seçme zorunluluğu olmadan son dönemde neler olduğuna dair zengin bir özet sağlar.

Durumların normdan ne kadar saptığını ölçmek

Orijinal sinyali yeniden inşa etmeye çalışıp yeniden yapılandırma hatasını alarm olarak kullanmak yerine, MD-RS rezervuarın kendisi tarafından oluşturulan desenlere doğrudan bakar. Eğitim sırasında yöntem sadece normal davranışı görür ve rezervuarın etkinliğinin yüksek boyutlu uzayında tipik olarak nasıl kümelendiğini kaydeder. Daha sonra bu kümeye basit bir istatistiksel şekil uydurur; bunu ortalama konumu ve yayılma biçimi özetler. Yeni veriler geldiğinde yöntem, mevcut rezervuar deseninin bu öğrenilmiş normal etkinlik “bulutundan” ne kadar saptığını konum ve yayılmayı hesaba katan bir uzaklık ölçüsüyle ölçer. Büyük uzaklıklar sistemin tanımadığı bir rejime girdiğinin işaretidir. Bu skor rezervuarın iç durumuna dayandığı için gürültülü ham ölçümlere göre zaman içinde daha düzgün değişir; bu da kararlı eşiklerin belirlenmesini kolaylaştırır ve titreyen alarmlardan kaçınmaya yardım eder.

Hızlı ve yavaş tepkileri birleştirmek

MD-RS’deki bir başka kıvrım, rezervuarda iki tür birimi karıştırmaktır: çoğu yavaş yanıt verir ve uzun bir hafıza tutar, daha küçük bir kesim ise hızlı yanıt verip çabucak unutur. Yavaş birimler uzun süreli kalıpları ve eğilimleri yakalamada iyidir; bu, anomalilerin birçok zaman adımı boyunca uzandığı veya uzun dönem ritimleri değiştirdiği durumlarda yardımcı olur. Hızlı birimler ise koşullar normale döndüğünde sistemin hızla eski haline dönmesine olanak vererek bir olay sona erdikten sonra dedektörün yüksek alarm durumunda kalma süresini keskin şekilde azaltır. Yaklaşık her dokuz yavaş birime karşı bir hızlı olacak şekilde karışım dikkatle seçildiğinde, yazarlar modelin hem kısa hem de uzun anomalileri yüksek zamansal hassasiyetle tespit edebildiğini ve her yeni veri seti için ayarları yeniden ayarlamaya gerek kalmadığını gösterir.

Gerçek zamanlı performansı pratikte kanıtlamak

MD-RS’yi test etmek için araştırmacılar, onu klasik pencere tabanlı yöntemlere, birkaç gelişmiş derin öğrenme sistemine ve diğer rezervuar tabanlı yaklaşımlara karşı büyük bir kıyas veri seti koleksiyonunda karşılaştırdı. Bunlar, anomali oranlarının çok küçük olduğu tek değişkenli arşivleri ve uzay araçları, sunucular ve sanayi tesislerinden gelen karmaşık çok değişkenli akışları içerir. Sadece anomalilerin tespit edilip edilmediğini değil, ayrıca bir anomali başladığında dedektörlerin ne kadar hızlı tepki verdiğini ve sona erdiğinde ne kadar çabuk normale döndüğünü, iyi zamanlamayı ödüllendiren özel bir ölçüt kullanarak değerlendirdiler. Çoğu veri seti ve değerlendirme ölçüsünde MD-RS, mevcut en iyi tekniklerle eşleşti veya onları geride bıraktı; ayrıca tek bir CPU’da saniyeler ile dakikalar arasında eğitildi — genellikle GPU’lara dayanan derin öğrenme modellerinden katlarca daha hızlı.

Gerçek sistemler için bunun anlamı

Basitçe söylemek gerekirse, bu çalışma yüksek kaliteli, gerçek zamanlı anomali tespiti için devasa, yavaş eğitilen bir sinir ağına ihtiyaç olmadığını gösterir. Sabit, verimli simüle edilen dinamik bir bellek kullanıp iç etkinliğinin öğrenilmiş normal davranıştan nasıl saptığını izleyerek MD-RS, dağıtıma ve güncellemeye uygun zamanında, kararlı alarmlar sağlar. Hem ani arızaları hem de yavaş gelişen sorunları ele alma yeteneği ile makul donanım gereksinimlerinin birleşimi, bunun tıbbi sensörlerden sunucu çiftliklerine, uzay araçlarına ve sanayi tesislerine kadar her şeyi izlemek için yeni bir standard yaklaşım olarak hizmet edebileceğini düşündürür.

Atıf: Tamura, H., Fujiwara, K., Aihara, K. et al. Distributional reservoir state analysis for real-time anomaly detection in multivariate time series data. npj Artif. Intell. 2, 41 (2026). https://doi.org/10.1038/s44387-026-00090-6

Anahtar kelimeler: zaman serisi anomali tespiti, gerçek zamanlı izleme, rezervuar hesaplama, Mahalanobis uzaklığı, akış verisi