Détection d’Anomalies Multiples par Apprentissage Automatique de Règles dans les Séries Temporelles - Gestion des Données Accéder directement au contenu
Thèse Année : 2021

Detection of Multiple Anomalies by The Automatic Learning of Rules in Time Series

Détection d’Anomalies Multiples par Apprentissage Automatique de Règles dans les Séries Temporelles

Résumé

Supervision and monitoring tools are commonly used in the industry to analyze datafrom different sensors. These data are often affected by unusual events or temporary changes and tend to contain irregularities and outliers that require business knowledge and human intervention to be detected. In such situations, anomaly detection can be a crucial way to identify abnormal events and detect unusual behavior, allowing experts to act quickly and mitigate the effects of an undesirable situation. In this thesis, we focused on the use of automatic learning techniques in order to automate and consolidate the process of detecting anomalies in sensor network data. These data come from sensors and are presented in the form of time series. To do this, we have defined two main objectives: the detection of multiple anomalies and the generation of interpretable rules by humans for the detection of anomalies. The first objective is to detect different types of anomalies in the sensor data. In the existing research, there is extensive work on anomaly detection. However, most techniques look for individual objects that are different from normal objects or a sequence of data but do not take into consideration the detection of multiple anomalies. To solve this problem and reach our first issue, we have created a configurable multiple anomaly detection system that is based on patterns to detect anomalies in time series. The algorithm we propose, Composition of Remarquable Point (CoRP), is based on the principle of pattern search. This algorithm applies a set of patterns to annotate remarkable points in a uni-varied time series, then detects anomalies by pattern composition. Annotation patterns and pattern compositions are defined with the help of the subject matter expert. Our method has the advantage of locating and categorizing the different types of anomalies detected. The second objective of the thesis is the generation of rules that can be interpreted and understood by experts for the detection of anomalies. For this, we have proposedan algorithm, Composition based Decision Tree (CDT), which automatically produces rules that can be adjusted and modified by experts. To do this, we have designed variable modeling of the detection patterns of remarkable points to label the timeseries. Based on the labeled time series, a decision tree is constructed by considering the nodes as compositions of patterns. Finally, the tree is converted into a set of decision rules, understandable by experts. We have also defined a quality measure for the rules produced. We tested the performance of CoRP and CDT with competitors, on real data and data from the literature (benchmarks). Both methods are effective in detecting multiple anomalies. The results have good precision offering a high detection rate with a low false-positive rate. This PhD was supported by the Management and Exploitation Service (SGE) ofthe Rangueil campus attached to the Rectorate of Toulouse and the researchis madein the context of the neOCampus project (Paul Sabatier University,Toulouse).
Les outils de supervision et de monitoring sont communément utilisés dans l’industrie pour analyser les données issues de différents capteurs. Ces données sont souvent affectées par des événements inhabituels ou des changements temporaires et ont tendance à comporter des irrégularités et des valeurs aberrantes qui demandent des connaissances métiers du domaine et une intervention humaine pour être détectées. Dans de telles situations, la détection d’anomalies peut être un moyen crucial pour identifier les évènements anormaux et détecter les comportements inhabituels permettant ainsi aux experts d’agir rapidement et d’atténuer les effets d’une situation indésirable. Dans cette thèse, nous avons focalisé sur l’utilisation de techniques d’apprentissage automatique dans le but d’automatiser et de consolider le processus de détection des anomalies dans les données de réseaux de capteurs. Ces données proviennent de capteurs se présentent sous forme de séries temporelles. Pour ce faire, nous avons défini deux objectifs principaux : la détection d’anomalies multiples et la génération de règles interprétables par l’être humain pour la détection d’anomalies. Le premier objectif consiste à détecter différents types d’anomalies dans les données de capteurs. Dans les travaux de recherche existants, il existe un travail approfondi sur la détection d’anomalies. Cependant, la plupart des techniques recherchent des objets individuels qui sont différents des objets normaux ou bien des séquences de données, mais ne prennent pas en compte la détection de multiples anomalies. Pour résoudre cette problématique et atteindre notre premier enjeu, nous avons créé un système configurable de détection d’anomalies multiples qui est basé sur des motifs pour détecter les anomalies dans les séries temporelles. L’algorithme que nous proposons, Composition of Remarquable Point (CoRP), est basé sur le principe de recherche de motifs. Cet algorithme applique un ensemble de motifs afin d’annoter les points remarquables dans une série temporelle univariée, puis détecte les anomalies par composition de motifs. Les motifs d’annotation et les compositions de motifs sont définis avec l’aide de l’expert du domaine. Notre méthode a l’avantage de localiser et de catégoriser les différents types d’anomalies détectées. Le deuxième objectif de la thèse est la génération de règles interprétables et intelligibles par les experts pour la détection d’anomalies. Pour ceci, nous avons proposé un algorithme, Composition based Decision Tree (CDT), qui permet de produire automatiquement des règles ajustables et modifiables par les experts. Pour ce faire, nous avons conçu une modélisation variable des motifs de détection des points remarquables pour labéliser les séries temporelles. Sur la base de la série temporelle étiquetée, un arbre de décision est construit en considérant les nœuds comme des compositions de motifs. Enfin, l’arbre est converti en un ensemble de règles de décision, compréhensibles parles experts. Nous avons aussi défini une mesure de qualité pour les règles produites. Nous avons testé les performances de CoRP et CDT avec des compétiteurs, sur des données réelles et des données issues de la littérature (benchmarks). Les deux méthodes font preuve d’efficacité pour la détection d’anomalies multiples. Les résultats ont une bonne précision offrant un taux élevé de détection avec un faible taux de faux positifs. Les travaux développés dans cette thèse ont été menés dans le cadre du projet neoCampus et financés par le Service de Gestion et d’Exploitation rattaché au rectorat de Toulouse.
Fichier principal
Vignette du fichier
These_IBK_2021__manuscrit.pdf (3.37 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-03137163 , version 1 (10-02-2021)

Identifiants

  • HAL Id : tel-03137163 , version 1

Citer

Inès Ben Kraiem. Détection d’Anomalies Multiples par Apprentissage Automatique de Règles dans les Séries Temporelles. Intelligence artificielle [cs.AI]. Université de Toulouse-Jean Jaurès, 2021. Français. ⟨NNT : ⟩. ⟨tel-03137163⟩
637 Consultations
1161 Téléchargements

Partager

Gmail Facebook X LinkedIn More