基于现有异常的RCA

Question

当我们使用包含多个特性的timeseries数据时，例如。传感器数据。我们可以使用聚类、监督和半监督的方法来检测异常。隔离，自动编码器等)，但这些方法只检测异常，而不是其根本原因。例如，某一事件发生在时间1，可能会引起连锁反应，进而导致时间2的异常。

我们如何执行这样的操作，一般情况下，我们如何扩展我们的异常模型来检测根本原因，或者它们的任何算法都是可用的，因为异常可以指向可能的根本原因。

Answer 1

根源分析可以使用经过监督学习训练的ML分类器来处理，可能使用专门的因果建模方法。

开发这种模型的主要挑战往往是获取足够大和多样化的数据集。一个人基本上需要一个数据集，其中包含了每一个感兴趣的异常的例子，并给出了它们的根本原因。它还必须涵盖数据的其他来源，如背景噪声、传感器特性、机器特性、操作条件等。根据具体问题，每个故障模式可能需要10到10,000个例子。

当这样的数据集存在时，它可能成为一个直接的监督学习问题。如果不存在这样的数据集，则应该将工作转移到生成数据集的进程中。