В е с т н и к алматинского университета

Вестник Алматинского университета энергетики и связи № 3 (58) 2022
 
21 
обнаруживают невидимые аномалии, они не могут использовать аномальные данные для обнаружения 
видимой аномалии-ложь, даже если некоторые данные были предоставлены. Таким образом, обеспечение 
детектора аномалий, который хорошо обнаруживает как видимые, так и невидимые аномалии, по-
прежнему остается сложной проблемой.
Авторами работы [14] предложена модель, которая определяет нормальное и аномальное 
распределения, используя аналогию между набором и дополнительным набором. Эти распределения были 
применены к методу, основанному на неконтролируемом вариационном автоэнкодере (VAE), и превратили 
его в метод, основанный на контролируемом VAE. Также авторами протестирован предложенный метод с 
хорошо известными данными и с реальными промышленными данными. В результате предложенный метод 
обнаруживал видимые аномалии лучше, чем обычный неконтролируемый метод, без снижения 
эффективности обнаружения невидимых аномалий. 
2. Анализ больших данных интернет вещей 
Авторами работы [15] предложено применение датчиков для получения первичной информации и 
проанализировано обнаружение дрейфа для датчиков Интернета вещей. Данный метод наиболее близок для 
применения по теме исследования в задачах аналитики и управления теплоснабжением города. 
В работе [16] был представлен новый метод обнаружения аномалий, основанный на иерархическом 
HMM (Скрытая Марковская Модель). Его производительность превышает обычный метод обнаружения 
аномалий HMh4. Благодаря иерархическому методу обнаружения аномалий HMM база данных профилей 
значительно сокращается, а также может быть сокращена требуемая память. Полученные авторами 
результаты эксперимента доказывают, что частота обнаружения ошибок будет ниже. Благодаря базе 
данных нормальных и аномальных профилей, вероятность ложных срабатываний значительно ниже. Таким 
образом, новый метод, представленный в этой статье, полезен для увеличения скорости и точности 
обнаружения аномалий.
В последнее время преимущества Интернета вещей (IoT) во всех сферах, в том числе в системах 
управления отоплением зданий начали широко применяться [17]. Так, например, авторами работы [18] 
представлена подробная оценка обнаружения аномалий по данным временных рядов работы бытовых 
устройств на базе Интернета вещей (IoT) в целом и систем отопления, вентиляции и кондиционирования 
воздуха (HVAC) в частности. В последнее время использование и количество систем HVAC на основе 
Интернета вещей значительно увеличиваются и в ближайшем будущем будут занимать значительную долю 
в бытовых устройствах на базе Интернета вещей. Анализ и статистика эксплуатации и использования этих 
устройств содержат различные значения датчиков, регистрируемые с течением времени, содержащие 
нормальные точки данных и долгосрочные аномалии. Современные методы обнаружения аномалий не 
способны обнаружить эти долговременные аномалии, которые отражают ухудшающееся действие датчика. 
Представленный авторами в данной работе подход решает эту проблему путем создания базы знаний о 
долгосрочных/краткосрочных закономерностях на основе обычных точек данных, которые продолжают 
расти с течением времени. В дополнение к обнаруженным аномалиям и в отличие от существующих 
методов представленный метод дает значимую оценку аномалий для ряда систем HVAC. Авторы оценили 
представленный подход на реальных оперативных данных, собранных за 2,5 года. Результаты оценки 
показывают, что представленный подход превосходит самые современные методы обнаружения аномалий 
со значением площади под кривой (AUC) 99,4%. Результаты обнаружения несоответствий предложенной 
методики в другом наборе данных из другой области показывают общий и адаптивный характер 
предложенной методики. 
Обнаружение аномалий является сложной задачей, особенно для больших наборов данных больших 
размеров. В работе [21] исследована общая система обнаружения аномалий DRAMA, основанная на 
уменьшении размерности и неконтролируемой кластеризации. DRAMA выпущена как общий пакет Python, 
который реализует общую структуру с широким спектром встроенных опций. Этот подход 
идентифицирует первичные прототипы в данных с аномалиями, обнаруженными на больших расстояниях 
от их прототипов, либо в скрытом пространстве, либо в исходном, многомерном пространстве. DRAMA 
протестирована на широком спектре моделируемых и реальных наборов данных, до 3000 раз, поэтому 

---