Neues CGSTA-Framework revolutioniert Anomalieerkennung in Zeitreihen

Ein brandneues Verfahren namens CGSTA (Cross‑Scale Graph Contrast with Stability‑Aware Alignment) verspricht, die Erkennung von Anomalien in multivariaten Zeitreihen deutlich zu verbessern. Besonders in Bereichen wie industrieller Prozesssteuerung, Telemetrie und Service‑Monitoring, wo zuverlässige Datenüberwachung entscheidend ist, stellt die dynamische Veränderung von Variablenbeziehungen und das unvermeidliche Rauschen eine große Herausforderung dar.

CGSTA kombiniert zwei zentrale Innovationen. Zunächst baut die Dynamic Layered Graph Construction (DLGC) für jedes gleitende Zeitfenster lokale, regionale und globale Graphen auf, um die unterschiedlichen Ebenen der Variablenbeziehungen einzufangen. Anschließend nutzt die Contrastive Discrimination across Scales (CDS) einen kontrastiven Lernansatz, der die Graphen innerhalb jeder Ebene vergleicht und gleichzeitig die gleiche Zeitreihe über die Ebenen hinweg ausrichtet. Dadurch wird das Modell strukturbewusst trainiert, ohne sich auf einzelne Instanzen zu stark zu fokussieren.

Die zweite Säule, die Stability‑Aware Alignment (SAA), sorgt dafür, dass das Modell ein stabiles Referenzsignal aus normalen Daten beibehält. Dieses Referenzsignal leitet die sich schnell verändernden Graphen des aktuellen Zeitfensters an und reduziert so das Rauschen, das sonst zu Fehlalarmen oder verpassten Anomalien führen könnte. Durch die Kombination von Multi‑Scale‑ und Zeitfeatures sowie die Anwendung eines konditionalen Dichteschätzers für die Anomalie‑Scores liefert CGSTA robuste Ergebnisse.

In umfangreichen Tests auf vier Standard‑Benchmarks – PSM, WADI, SWaT und SMAP – hat CGSTA die besten Leistungen bei PSM und WADI erzielt und sich auf SWaT sowie SMAP mit etablierten Baselines vergleichbar erwiesen. Diese Ergebnisse deuten darauf hin, dass das neue Framework einen bedeutenden Fortschritt für die Praxis der multivariaten Zeitreihen‑Anomalieerkennung darstellt.