Реконструктивное моделирование многомерных временных рядов для детектирования неявных аномалий в цензурированных данных
Работая с сайтом, я даю свое согласие на использование файлов cookie. Это необходимо для нормального функционирования сайта, показа целевой рекламы и анализа трафика. Статистика использования сайта обрабатывается системой Яндекс.Метрика
Научный журнал Моделирование, оптимизация и информационные технологииThe scientific journal Modeling, Optimization and Information Technology
cетевое издание
issn 2310-6018

Реконструктивное моделирование многомерных временных рядов для детектирования неявных аномалий в цензурированных данных

idСафонова Е.В., idАлиева Н.Д., idЩербаков М.В.

УДК 004.9
DOI: 10.26102/2310-6018/2026.62.11.007

  • Аннотация
  • Список литературы
  • Об авторах

Актуальность исследования обусловлена проблемой обнаружения аномалий в гетерогенных распределенных системах в условиях неполноты журналов событий и отсутствия размеченных данных. Согласно стандартам надежности (ГОСТ 27.002-2015, IEC 60050-191, IEC 60300-3-11, ISO/TR 12489), скрытый (латентный) отказ трактуется как состояние, не обнаруживаемое штатными методами и средствами контроля и диагностирования при нормальной эксплуатации. В современных программно-аппаратных комплексах к таким штатным средствам относятся сенсоры и логи системы управления. Однако на практике возникает специфический класс деградаций: оборудование физически деградирует, что регистрируется многомерными временными рядами сенсоров, но отсутствует в журналах событий системы. Поскольку данная ситуация выходит за рамки классического определения скрытого отказа, данная статья направлена на восполнение терминологического пробела – введено новое понятие «неявной аномалии». Предложен метод реконструктивного моделирования многомерных временных рядов для детектирования неявных аномалий на основе LSTM автоэнкодера с последующей верификацией через анализ плотности отклонений во временном окне. Проблема пропущенных событий интерпретирована через призму теории цензурированных данных. Экспериментальная проверка на синтетических многомерных временных рядах продемонстрировала способность метода обнаруживать интервалы деградации оборудования, не зафиксированные в логах системы. Материалы статьи представляют практическую ценность для разработчиков систем предиктивной аналитики и мониторинга, поскольку предложенный подход позволяет повысить полноту обнаружения инцидентов в условиях неполной наблюдаемости объекта управления.

1. Shcherbakov M.V., Safonova E.V., Shcherbakova N.L., Kravets A.G. Health Index Construction Method for Distributed Cyber-Physical Systems. In: Frontiers of Industrial Cyber-Physics. Cham: Springer; 2026. P. 71–89. https://doi.org/10.1007/978-3-032-02717-7_6

2. Safonova E., Kravets A., Shcherbakov M., Kizim A., Al-Gunaid M., Echin A. Industrial Environmental Impact Assessment Method Based on Detection of Complex Anomalies in Time Series. Applied System Innovation. 2024;7(5):89. https://doi.org/10.3390/asi7050089

3. Kleinbaum D.G., Klein M. Survival Analysis: A Self-Learning Text. New York: Springer; 2012. 700 p.

4. Константинов А.В., Уткин Л.В. Глубокий лес для анализа выживаемости в рамках многовариантного обучения. В сборнике: XXII национальная конференция по искусственному интеллекту с международным участием (КИИ-2025): Том 3, 06–10 октября 2025 года, Санкт-Петербург, Россия. Санкт-Петербург: Санкт-Петербургский Федеральный исследовательский центр РАН; 2025. С. 95–102.

5. Chandola V., Banerjee A., Kumar V. Anomaly Detection: A Survey. ACM Computing Surveys. 2009;41(3):15. https://doi.org/10.1145/1541880.1541882

6. Blázquez-García A., Conde A., Mori U., Lozano J.A. A Review on Outlier/Anomaly Detection in Time Series Data. ACM Computing Surveys. 2021;54(3):56. https://doi.org/10.1145/3444690

7. Zhou Ch., Paffenroth R.C. Anomaly Detection with Robust Deep Autoencoders. In: Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD 2017), 13–17 August 2017, Halifax, NS, Canada. New York: ACM; 2017. P. 665–674. https://doi.org/10.1145/3097983.3098052

8. Zong B., Song Q., Min M.R., et al. Deep Autoencoding Gaussian Mixture Model for Unsupervised Anomaly Detection. In: Proceedings of the 6th International Conference on Learning Representations (ICLR 2018), 30 April – 03 May 2018, Vancouver, BC, Canada. 2018. URL: https://iclr.cc/virtual/2018/poster/126

9. Liu F.T., Ting K.M., Zhou Zh.-H. Isolation Forest. In: 2008 8th IEEE International Conference on Data Mining (ICDM 2008), 15–19 December 2008, Pisa, Italy. IEEE; 2008. P. 413–422. https://doi.org/10.1109/ICDM.2008.17

10. Hundman K., Constantinou V., Laporte Ch., Colwell I., Soderstrom T. Detecting Spacecraft Anomalies Using LSTMs and Nonparametric Dynamic Thresholding. In: Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD 2018), 19–23 August 2018, London, UK. New York: ACM; 2018. P. 387–395. https://doi.org/10.1145/3219819.3219845

11. Li D., Chen D., Jin B., Shi L., Goh J., Ng S.-K. MAD-GAN: Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks. In: Artificial Neural Networks and Machine Learning – ICANN 2019: Text and Time Series: 28th International Conference on Artificial Neural Networks: Part IV, 17–19 September 2019, Munich, Germany. Cham: Springer; 2019. P. 703–716. https://doi.org/10.1007/978-3-030-30490-4_56

12. Ruff L., Görnitz N., Deecke L., et al. Deep One-Class Classification. In: Proceedings of the 35th International Conference on Machine Learning (ICML 2018), 10–15 July 2018, Stockholm, Sweden. PMLR; 2018. P. 4390–4399.

13. Xu J., Wu H., Wang J., Long M. Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy. arXiv. URL: https://arxiv.org/abs/2110.02642 [Accessed 16th August 2026].

14. Tuli Sh., Casale G., Jennings N.R. TranAD: Deep Transformer Networks for Anomaly Detection in Multivariate Time Series Data. Proceedings of the VLDB Endowment. 2022;15(6):1201–1214. https://doi.org/10.14778/3514061.3514067

Сафонова Елена Владимировна

ORCID |

Волгоградский государственный технический университет

Волгоград, Российская Федерация

Алиева Наталья Денисовна

ORCID |

Волгоградский Государственный Технический Университет

Волгоград, Российская Федерация

Щербаков Максим Владимирович
Доктор технических наук, профессор

ORCID |

Волгоградский государственный технический университет

Волгоград, Российская Федерация

Ключевые слова: гетерогенные распределенные системы, реконструктивное моделирование, неявные аномалии, цензурированные данные, многомерные временные ряды

Для цитирования: Сафонова Е.В., Алиева Н.Д., Щербаков М.В. Реконструктивное моделирование многомерных временных рядов для детектирования неявных аномалий в цензурированных данных. Моделирование, оптимизация и информационные технологии. 2026;14(11). URL: https://moitvivt.ru/ru/journal/article?id=2617 DOI: 10.26102/2310-6018/2026.62.11.007

© Сафонова Е.В., Алиева Н.Д., Щербаков М.В. Статья опубликована на условиях лицензии Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NS 4.0)
117

Полный текст статьи в PDF

Скачать JATS XML

Поступила в редакцию 02.09.2026

Поступила после рецензирования 30.10.2026

Принята к публикации 11.11.2026