وحدة الانتشار TADR ترفع F1 لكاشف الشذوذ على SMD عند فقدان كتل البيانات

تفقد الأنظمة الصناعية المزوَّدة بحساسات كتلًا كاملة من البيانات بصورة منتظمة: تنقطع الشبكة، أو يتعطل العتاد، فتظهر في التدفق «فجوة» تشمل عدة قنوات وعدة خطوات زمنية دفعة واحدة. والإجراء المعتاد هو خط معالجة من خطوتين: «املأ الفجوة أولًا، ثم ابحث عن الشذوذ». وقد اقترح باحثون من سيول وحدة Task-Aware Diffusion Refiner (TADR)، وهي وحدة انتشار تراعي مهمة الكشف، لا دقة إعادة البناء، عند استعادة البيانات. ووفق نتائجهم، ترفع TADR قيمة F1 — وهي مقياس مركّب لدقة اكتشاف الشذوذ واكتمالها — مقارنةً بالكاشف دون التحسين على SMD (Server Machine Dataset، مجموعة مقاييس الخوادم). وأُجري القياس وفق مخطط Point-to-Point (P2P) الصارم، الذي يُقيَّم فيه كل ختم زمني على حدة.

لماذا يمحو الملء المعتمد على MSE الشذوذ

يُدرَّب المُكمِّل المعتاد على متوسط مربع الخطأ (MSE) وعلى بيانات التشغيل الطبيعي للعتاد. لذلك يملأ الفجوة بأرجح نمط طبيعي. وإذا غطّت الكتلة شذوذًا، فإن الانحراف الذي كان مرصودًا جزئيًا يُسوَّى ويعود إلى الحالة الطبيعية، فلا يراه الكاشف.

وثمة أثر معاكس أيضًا. ففي البيانات الطبيعية تُنتج حدود الكتلة المستعادة artifacts تثير إنذارات كاذبة. ويسمّي المؤلفون ذلك انحياز الإكمال (imputation bias). ويذكّرون بأن مقياس Point Adjustment أخفى طويلًا فقدان الدقة، إذ يضخّم الاكتمال بصرف النظر عن عدد الإنذارات الكاذبة. ولهذا يقيّمون الطريقة وفق P2P الصارم.

وتشير الورقة بصورة منفصلة إلى أنظمة الأمن، مثل حساسات الكشف عن المواد المحظورة. فقد يتزامن حدث نادر هناك مع فقدان البيانات، وسيُتلف المُكمِّل الذي يملأ الفجوة بقيم طبيعية ما أُنشئ النظام من أجله.

كيف تعمل TADR

TADR نموذج انتشار شرطي يُدرَّب مع مراعاة دالة الخسارة لدى كاشف مجمَّد. وقد أخذ المؤلفون البنية والمُعايِن (sampler) من CSDI، وهو مُكمِّل قائم على الانتشار يُستخدم خط أساس. ولا يتغير سوى هدف التدريب: يجب أن يُبرز الانتشار قمم الشذوذ ويحافظ على الخلفية الطبيعية، لا أن يكتفي بتقليل خطأ إعادة البناء.

والمشكلة الهندسية الرئيسية هي التدريب. فلا يمكن تمرير التدرجات عبر سلسلة أخذ العينات كاملة، لأن ذلك مستحيل حسابيًا. لذلك تُطبَّق الحدود الخاصة بالمهمة على تقدير النافذة النظيفة في خطوة واحدة، وهو تقدير يوفّره التنبؤ بالضجيج من تلقاء نفسه. ونتيجة لذلك لا تزيد كلفة التدريب على كلفة الانتشار المعتاد.

يبقى الكاشف مجمَّدًا، ولذلك تُوصَل TADR به دون تغيير بنيته. ويشير المؤلفون إلى أن الطريقة تعمل مع الكاشفات التي تقيّم الشذوذ بحسب خطأ إعادة البناء، ويدرسون من بينها Anomaly Transformer وTimesNet وKAN-AD.

أين تفيد الطريقة وأين لا تفيد

أُجري التقييم على خمس بذور مع فترات ثقة واختبارات دلالة مزدوجة. وأكبر إسهام في دراسة الاستئصال (ablation) يعود إلى هدف تعزيز الشذوذ نفسه، أما المخطط التكراري فيضيف مكسبًا فوق المُحسِّن أحادي التمريرة. ولم ترد في النص المتاح قيم عددية لهذه المكاسب، ويُنصح بالرجوع إلى الورقة نفسها.

ولا يدّعي المؤلفون تفوقًا شاملًا. فالمكسب يزداد مع ارتفاع حصة القنوات المتصلة المتكررة فيما بينها، ومع عدد أدلة الشذوذ التي أزالتها الفجوة. وعلى مجموعات القياس عن بُعد التي تغلب عليها قنوات الأوامر بترميز one-hot لا يظهر أي أثر، كما لا يظهر على PSM. أما التلاعبات العدائية بالقنوات المرصودة، وتسميم البيانات، وانجراف المفهوم (concept drift)، فلم تدخل في التقييم.

وفي التطبيق العملي يهمّ نمط الحِمل. فقد قيست TADR بحجم دفعة يساوي واحدًا على نواة CPU واحدة، لا على وحدات GPU الخاصة بالخوادم. وعند عشر خطوات من أخذ العينات تعالج الوحدة النافذة على نواة واحدة وتخدم عددًا كبيرًا من التدفقات المتوازية بتردد 1 هرتز، بفضل نموذجها المدمج. وهذا يجعلها مناسبة للأجهزة الطرفية. وقد نُشرت الشيفرة والنتائج لكل بذرة على GitHub. والخلاصة للمهندسين: إذا كانت الفجوات حقيقية في خط المعالجة الطرفي لديكم، وكان الكاشف يعمل بإعادة البناء، فينبغي تقييم المُكمِّل بمقياس الكشف، لا بـ MSE.