FluxGraph: Synergizing Dynamic Graph Attention and Flux Memory for Unsupervised Time Series Anomaly Detection

Technische Samenvatting: FluxGraph

Probleemstelling
Anomaliedetectie in tijdreeksen is cruciaal voor cyber-fysieke systemen (CPS) en automotive Controller Area Network (CAN) bus-netwerken. Bestaande ongesuperviseerde methoden kampen echter met aanzienlijke uitdagingen in realistische, niet-stationaire omgevingen. Traditionele reconstructiegebaseerde methoden falen vaak bij het detecteren van subtiele masquerade-anomalieën of geleidelijke baseline-drifts, omdat ze vertrouwen op enkelvoudige optimalisatiedoelen en de neiging hebben om transiënte patronen te middelen. Vergelijkbaar daarmee respecteren forecasting-gebaseerde methoden sequentiële continuïteit, maar missen vaak veranderingen in cross-variabele afhankelijkheden of trage driften die consistent blijven met de korte termijn geschiedenis. Bovendien manifesteren veel kritieke anomalieën zich niet als grote statistische afwijkingen, maar als kleine verschuivingen in de temporele dynamiek, geleidelijke veranderingen in de relaties tussen sensoren, of transities tussen operationele regimes. Huidige benaderingen missen vaak het vermogen om gezamenlijk te redeneren over puntwaarden, sequentiële afhankelijkheden, relationele structuren en de evolutie van de globale staat.

Methodologie
De auteurs stellen FluxGraph voor, een ongesuperviseerd framework dat dynamische graaf-aandacht combineert met flux-geheugen en staat-bewuste adaptieve regulatie. De architectuur verwerkt vensters van vaste lengte van genormaliseerde multivariate observaties via de volgende componenten:

1. Cross-Window KL-Constrained Reversible Normalization: Om continue distributie-drift tussen aangrenzende vensters aan te pakken, gebruikt het model een Window-based Reversible Instance Normalization (WindowRevIN) die wordt versterkt door een cross-window Kullback-Leibler (KL) divergentie regularisator. Dit onderdrukt distributieverschuivingen zonder lookahead-bias te introduceren, wat zorgt voor een stabiele input voor de daaropvolgende modules.
2. Dynamic Sensor Graph met Feature Reflux: In tegen tegenstelling tot grafen met een vaste topologie, construeert FluxGraph een zachte adjacency-matrix die wordt geconditioneerd op de inhoud van het huidige venster. Cruciaal is de introductie van een feature reflux mechanisme, waarbij high-level features geëxtraheerd door diepere lagen worden teruggevoerd om de adjacency-matrix iteratief bij te werken. Dit stelt de graaf-topologie in staat om in real-time aan te passen aan veranderende inter-channel structuren en subtiele relationele anomalieën.
3. Multi-Scale Temporal Stem: Het model extraheert features op verschillende receptieve velden met behulp van parallelle depthwise convoluties, waarbij het originele genormaliseerde signaal, graaf-geconditioneerde signalen en eerste-orde verschillen worden gecombineerd.
4. Flux Attention Blocks: Deze blokken integreren drie complementaire paden:
   • Standaard temporele self-attention met een relatieve positionele bias.
   • Attention over persistente geheugenvectoren die langetermijnpatronen accumuleren.
   • Lichtgewicht depthwise convolutie voor lokale verfijning.
     Een state-entropy-gestuurde adaptieve gating mechanism balanceert dynamisch de bijdrage van deze paden op basis van de onzekerheid van de operationele staat van het systeem.
5. Process State Memory: Deze module houdt latente operationele prototypen bij om regimeveranderingen en staatstransities expliciet te volgen, die moeilijk te vangen zijn via lokale reconstructie alleen. Het schat de toewijzingsbetrouwbaarheid op basis van entropie en modelleert de verwachte transities tussen opeenvolgende staten.
6. Multi-Evidence Fusion: De architectuur genereert vier parallelle outputs (reconstructie, one-step forecast, state-transition prediction, en channel-wise state expectations). Zeven complementaire residuele signalen (inclusclusief puntwijkingen, relationele discrepanties en state-transition inconsistenties) worden gefuseerd met behulp van een logaritmische aggregatiefunctie. Deze aanpak elimineert magnitude-verschillen tussen heterogene residuen, waardoor grote amplitude-outliers het detecteren van subtiele structurele anomalieën niet kunnen maskeren.

Belangrijkste Bijdragen

• Synergetisch Framework: De integratie van bidirectionele feature flow (via de feature reflux loop) met staat-bewuste adaptieve regulatie binnen een verenigd ongesuperviseerd framework.
• Dynamische Topologie Optimalisatie: Het voorstel van een iteratief mechanisme waarbij diepe features de dynamische sensor graaf verfijnen, wat de detectie van relationele driften mogelijk maakt die modellen met een vaste topologie missen.
• State-Entropy Gating: De introductie van een gating mechanisme gedreven door staat-entropie, waardoor het model adaptief kan schakelen tussen globale patronen en lokale variaties op basis van de real-time systeemonzekerheid.
• Log-Space Multi-Evidence Fusion: Een nieuwe aggregatiestrategie die zeven verschillende residuele signalen in de log-ruimte fuseert om een gebalanceerde detectie van zowel abrupte puntfouten als trage systemische driften te garanderen.

Resultaten
FluxGraph werd geëvalueerd op industriële sensoren (SMD, HAI), automotive CAN bus (Car-Hacking) en verkeersnetwerken (ROAD) benchmarks.

• Industriële Sensoren (SMD): FluxGraph behaalde een optimale Range-based F1 (RF1) van 0,62, VROC van 0,93 en VPR van 0,67, waarmee het baselines zoals Mamba, LSTM-AE en ALoRa met een aanzienlijke marge versloeg. Dit demonstreert een superieur vermogen in het detecteren van geleidelijke drift en structurele anomalieën.
• Industriële Sensoren (HAI): Hoewel de RF1 iets lager was (0,59) vergeleken met sommige reconstructie-zware baselines (vanwege de prevalentie van puntanomalieën in HAI), behaalde FluxGraph de hoogste VROC (0,96) en VPR (0,72), wat wijst op een superieur rankingsvermogen in ongesuperviseerde settings.
• Cross-Domain Generalisatie:
  • CAN Bus (Car-Hacking): Behaalde een nauwkeurigheid van 99,98% en een perfecte Macro AUROC van 1,00000, waarmee het gespecialiseerde modellen zoals LiPar en MobileNetV3 overtrof.
  • Verkeersgraaf (ROAD): Demonstreerde sterke prestaties in het detecteren van masquerade-aanvallen, waarbij de Precision en F1-scores voor stealth-aanvallen (bijv. Reverse Light Off) aanzienlijk verbeterden waar andere baselines faalden.
• Ablatie-studies: Bevestigden dat het verwijderen van een kerncomponent (forecasting, reconstructie, dynamische graaf, flux-geheugen of staat-geheugen) leidt tot prestatievermindering. De studie valideerde ook dat logaritmische aggregatie superieur is aan lineaire sommatie of max-pooling voor het fuseren van heterogene residuen.
• Efficiëntie: Ondanks de complexiteit behoudt FluxGraph een inferentietijd van 2,45 ms per batch op een NVIDIA RTX4090, wat vergelijkbaar is met ALoRa en bijna twee keer zo snel is als Mamba, wat het geschikt maakt voor real-time industriële monitoring.

Betekenis en Claims
Het artikel claimt dat FluxGraph de fundamentele blinde vlekken van single-objective anomaliedetectiemethoden aanpakt. Door de interactie tussen dynamische sensorcorrelaties, globale staatsevolutie en lokale temporele dynamiek expliciet te modelleren, kan het framework fijnmazige anomalieën detecteren die systematisch worden gemist door bestaande benaderingen. De auteurs benadrukken dat de iteratieve feature reflux en log-space multi-evidence fusion cruciale innovaties zijn die het model in staat stellen om onderscheid te maken tussen normale operationele driften en subtiele, stealthy anomalieën (zoals masquerade-aanvallen) zonder dat gelabelde data vereist is. De resultaten suggereren dat dit verenigde spatiotemporele framework een robuuste cross-domain generalisatie biedt, wat het een levensvatbare oplossing maakt voor diverse CPS-toepassingen, variërend van industriële installaties tot voertuignetwerken.