SMKC: Methode erkennt Anomalien in Zeitreihen mit wechselnder Variablendichte

In vielen industriellen Überwachungssystemen ändern sich die gemessenen Sensoren ständig – neue Sensoren werden eingebaut, alte fallen aus oder werden umbenannt. Diese „Sensor‑Churn“-Phänomene führen zu Zeitreihen, deren Variablendichte sich im Verlauf ändert und die während des Trainings unbekannte Werte enthalten können. Traditionelle Anomalie‑Erkennungsalgorithmen gehen jedoch davon aus, dass die beobachteten Variablen konstant bleiben, was in solchen Szenarien zu Fehlalarmen oder verpassten Anomalien führt.

Um dieses Problem zu lösen, stellt das neue Framework SMKC (Sketch Based Kernel Correlation) einen Ansatz vor, der die dynamische Eingangsstruktur von der eigentlichen Anomalie‑Erkennung trennt. Zunächst werden die Rohdaten mithilfe einer permutationsinvarianten Feature‑Hash‑Funktion in eine feste Sequenz von Zuständen umgewandelt. Anschließend wird ein hybrides Kernel‑Bild erzeugt, das die globale zeitliche Struktur durch Paarvergleiche der Sequenz und ihrer Ableitungen erfasst. Das Modell lernt die normalen Muster über ein Maskierungs‑Rekonstruktionsverfahren und ein Lehrer‑Schüler‑Vorhersageziel.

Die Evaluation zeigt, dass log‑Distanzkanäle die wichtigste diskriminierende Information liefern, während Kosinus‑Repräsentationen oft nicht genügend Kontrast bieten. Besonders bemerkenswert ist, dass ein einfacher Detector, der zufällige Projektionen und Nachbarn auf der SMKC‑Repräsentation nutzt, mit vollständig trainierten Baselines konkurrieren kann, ohne Gradientupdates zu benötigen. Dies unterstreicht die Wirksamkeit der Repräsentation selbst und bietet eine praktikable Cold‑Start‑Lösung für ressourcenbeschränkte Einsatzszenarien.