時系列データのリアルタイム異常検知

■卜頓 抄｡ 円安 In5i9ht泥chnoIogy l1o岳IllllITBlⅨInolI； ＦＭｉｌ酢Ⅱ醗醜鰯'回t,自轄 巫回四囲醐聯 時系列 rpE:Z麺繁り■『ブー 夕のリアルタイム異常検知 ‐時系列データ､有効活用できていますか？ ＨＯＯＤｐ 椰璃 ｜） 咄「 １ ｈ 、 卿フ翻愈駆醗劃咄型ＵＵ ｖ２ｇ駄澱Ｗ副得副螂麺Ｉツ,蜘勲唾 Ｌ【噸『蝿 一輌圧戎歸陀Qlm一函口ｎＺ２２ＫＥ口T２ ： 重要な変化を見逃さない 時系列データを活用してできることは多くあります｡機器の異常検知や、故障予測などはその代表例｡単純な統計処理により平均、標準偏差、 相関などを見るだけでも重要な示唆が得られることもありますが、リアルタイムな異常を検知するにはどのような手法が必要でしょうか？ リアルタイム異常検知では、取り付けたセンサーのデータから､''何かの変化"(異常）が発生したことをリアルタイムに検知します｡一方で、 その”何かの変化”の検知が多数発生しすぎると､"対応が必要な変化"なのか､鮒対応の必要のない（定常的な）変化''なのかの判断が難しく、 結局重要な変化を見逃すことにもなってしまいます｡季節による変動､曜日による変動､時間帯による変動などの定常的な変動を勘案して､真 に対応が必要な変化を検知することこそが重要です。 さらに､現実のデータは時間とともに変わりうる､つまり､ある時点で学習したモデルがこの先も通用するとは限りません｡定常的な変動を勘 案しつつも、変化の非定常性を考慮することも重要となります｡一般的にありがちな閾値設定に関しても、全ての機器に固定の値を設定する と､個々の機器の環境差､個体差を考慮できませんし、また､個別の閾値を設定することも大量の機器がある状況では現実的ではなく、個々に 自動で閾値を設定する仕組みも必要となります。 異常検知にはいくつかのパターンがあり､外れ値検知､変化点検知､異常行動検知などが知られています｡異常を検知／検出したいタイミング や検知対象の異常によっても､選択すべき手法は異なります。 外れ値検知 変化点検知 異常行動検知 学習した確率分布から相対的に見て観測 時系列データを対象に確率モデルとして 部分時系列(行動データ）を単位とする系 される確率が低い値を検知 時系列モデルを仮定し、時系列の振る舞 列のモデルとして行動モデルを採用し、 いが急激に変化する(例えば､データの値 モデルにおいて相対的に異常な部分時系 がある時点を境目に急激に大きく・小さ 列を検知 くなる)点を変化点として検知 －－～ 、 ２０ UZD ６K） EＩＤ ﾕ００ 百 2， 司り 5□ ３０ ZＤＯ 外れ値 変化点 Ｉ ０５０５０５０５ ５乳ロ７ちＺ０２ １１１ ０５０５０ ５０５ ⑤２０７５ ２０２ １１１ 宮

統計的機械学習による異常検知 いずれの検知を行うにしても正常なデータが何かをまず把握す る必要がありますが、基本的な考え方としては確率分布で正常 [入力デムタ］ なデータを表し、その確率分布からの''外れ具合Ⅲをもとに異常 データを判別します｡統計的機械学習による異常検知では、機械 ;,,i蝋,’ 異常度判定 魂起 学習によって入力データから確率分布を学習し、確率分布を用 ～ いて異常度スコアを算出します。 △一〆 1噸蕊］ 出力 時系列データ鰯特''１鍵に合わせた蓄積｡分析蟇盤鱸も鵜慮を 時系列データをリアルタイムに収集し異常を検知する基盤としてはどんな基盤が重要でしょうか？リアルタイムな異常検知を行うには、リ アルタイムにデータを収集・蓄積し､そのデータに対して必要な演算を行い､検知結果を通知する仕組みが必要となります｡さらに､収集され るデータは「時系列データ」としてタイムスタンプとともにデータベースに蓄積され続けます｡ただしそれらを通常のデータベースに蓄積し 続けると、膨大なデータ量によりすぐデータベースのストレージ領域を圧迫していき、古いデータを削除する必要性に迫られます｡時系列 データベースでは､時系列データの特性に合わせた優れた圧縮性能により､通常のデータベースに比べて最大で１０倍以上のデータを蓄積す ることが可能です｡時系列を通常のデータベースに保持していたり､テキストデータとして保存し続けていたりする場合には蓄積方法につい て見直すことで､ストレージ容量を節約することができたり､蓄積期間を増やすことができたりする可能性が高いのです。 課題 。どのように活用する力'のアイデアがない 。“やりたいこどはあるがやり方がわからない､手を付けられていない 。いろいろとやってみているがうまくいかない .データが膨大過ぎてストレージを圧迫｡捨てざるを得ない。 時系列データに欝曹愚諜鑪解決髭サポート インサイトテクノロジーでは、これまでも大量データのための分析基盤などを提供してきました｡機械学習などによる蓄積 データの活用の重要性が高まっている現在､時系列データの蓄積､分析などの活用についても、豊富なデータベースのノウハ ウをベースに支援を行っています。 お問い合わせ 株式会社インサイトテクノロジー αwwwjnsight-tec・comBinsight-mktg＠insight-teccoJp [東京本社］ ０１５０－００１３束京都渋谷区恵比寿1-]9-]９恵比寿ﾋﾟｼﾞﾈｽﾀﾜｰ5F LO3-5475-1450 [大阪支店］ 0530-0011大阪府大阪市北区大深町3-1 グランフロント大阪ナレッジキャピタルタワーＣ１１Ｆ し06-6359-1450 [札幌開発センター］ OO60-OOO5北海道札幌市中央区北5条西6丁目2-2札幌センターピル14Ｆ し011芦211-4886 艤記減されている会社名､ｻｰﾋﾞｽ名､製品名は､株式会社インサイトﾃｸﾉﾛｼﾞｰおよび各社の商標または登録商標です｡ 1,鼠辮;3M，'･’’ ｳ記晒の内容は2017年11月現在のものです。､内容については予告なく変更する場合があります｡詳細は担当までお問い合わせください。 copyright20171nsightTEchnolDgy,Inc､AllRightsReserved ２０１７１１ＴＳＤＢＲ