A Survey of Anomaly Detection Model for Time Series Data Based on Deep Learning

doi:10.3969/j.issn.1671-1122.2025.03.002

Abstract

Abstract:

Anomaly detection for time series data is an important area of data mining and network security research. This paper focuses on time series anomaly detection techniques, employing literature survey and comparison analysis to thoroughly examine the applications and research progress of deep learning models in this domain. The research firstly introduced the definition and applications of deep time series anomaly detection, followed by an identification of the nine key challenges faced in this area. Time series anomalies were categorized into ten types, and sixteen typical anomaly detection datasets were enumerated, including five datasets related to social network public opinion security. Deep time series anomaly detection models were classified, the paper categorized and summarized nearly fifty relevant models, including those based on semi-supervised incremental learning for detecting abnormal information disseminators in social networks. Furthermore, the research classified these models into three categories according to their learning modes: reconstruction-based, prediction-based, and a fusion model, their advantages, disadvantages and applications were compared. Finally, the research outlined future research directions for deep time series anomaly detection in eight key areas, providing comprehensive perspects on potential advancements in the fields, potential values and technological bottlenecks were analyzed.

Key words: deep learning, time series data, anomaly detection, model classification, social network

CLC Number:

TP309

CHEN Hongsong, LIU Xinrui, TAO Zimei, WANG Zhiheng. A Survey of Anomaly Detection Model for Time Series Data Based on Deep Learning[J]. Netinfo Security, 2025, 25(3): 364-391.

Figures/Tables 22

序号	文献	模型	任务	数据集	模型性能	研究亮点	存在的问题与挑战
1	文献^[40] （2019）	MAD- GAN	水处理和水分配时序异常检测	SWaT和WADI	F1分数为0.81和0.62	使用一种称为 DR -score 的新型异常分数，通过鉴别和重建来检测异常	依然可能出现“梯度失稳”和“模式崩溃”问题
2	文献^[41] （2019）	MSC- RED	多变量时序异常检测	Synthetic、Power Plant	F1分数为0.89	构造多尺度特征矩阵，开发基于注意力的卷积长短时记忆网络来捕获时间模式	强调数据的时间依赖性，对特征间相关性的建模能力较弱
3	文献^[42] （2020）	GAD	网络拓扑中大规模 KPI异常检测	洛杉矶高速路数据集	F1分数为0.9698，AUC值为0.9722	门框卷积和图卷积组成编码器提取KPI的时空特征	未来可考虑无人驾驶网络、智能机器人集群等基于拓扑图的智能运维场景
4	文献^[12] （2021）	MM- GAN	心律失常和时序信号异常检测	MIT-BIH心电图数据集和UCR时间序列数据集	AUC分别为0.956和0.9186（UCR中最高）	使用WT进行模态转换，采用自适应卷积的编码器	多个模态的引入可能会使编解码过程比较复杂困难
5	文献^[43] （2021）	Inter- Fusion	多变量时序异常检测	SWAT、WADI、SMD、ASD	总体最佳F1评分为0.9433	利用具有特定结构的HVAE同时对MTS中的度量依赖和时间依赖进行建模	未来可研究在制造业和信息技术系统领域中部署
6	文献^[44] （2021）	GTA	多元时间序列异常检测	WADI、 SMAP、 MSL、 SWaT	F1分数为0.91	连接学习策略基于 Gumbel-softmax 采样方法来学习传感器之间的双向链接	探索如何与在线学习策略相结合，应用于未来工作的移动物联网场景
7	文献^[45] （2022）	TranAD	多元时间序列异常检测	NAB、UCR、 MBA、SMAP、 MSL、SWaT、 WADI、SMD、 MSDS	F1 分数最高可达0.9780	基于焦点分数的自适应来实现鲁棒的多模态特征提取和对抗训练以获得稳定性	未来可将该方法扩展到其他变压器模型，以允许模型泛化到数据的不同时间趋势
8	文献^[46] （2022）	LSTM-GAN	多元时间序列数据异常检测	SWaT、SMD、 MSL、SMAP	检测性能提升了 4.4%~16.6%	采用自编码器架构，解决了GAN存在的梯度不稳定和模式崩溃等问题	采用Bi-LSTM 来建模数据的时间依赖性，可能会带来较大的计算成本
9	文献^[10] （2022）	VAE-WGAN	时序异常检测	KDD99-sub、 SMAP、MSL、 SWaT	准确率总评为0.7625，F1分数为0.7067	使用 Wasserstein距离代替f 散度，使用滑动窗口自适应的阈值设定方法	未来考虑将该方法拓展到基于网络流量的入侵检测系统
10	文献^[47] （2022）	CAE	多变量时序异常检测	SMAP、 SMD、 MSL	F1分数高达0.9376	利用注意力机制来捕捉时间依赖，采用上下文对比的方法学习位置信息	未考虑各种数据集中长尾问题的改进方法，阈值是指定的，并非动态选择
11	文献^[17] （2022）	GReLeN	时间序列异常检测	SWaT、WADI、SMD、PSM	总评F1分数最高为0.855	采用图神经网络和随机图关系学习策略来捕捉传感器间的相关性	对异常数据进行诊断，要求结果具有明显特征
12	文献^[48] （2023）	STAD-GAN（重构）	多变量时序异常检测	SMAP、SMD、MSL、SWaT、WADI、KDD99	平均F1分数为0.881	采用自训练的教师—学生框架进行优化，教师模型生成可靠的高质量伪标签	可能仍存在“梯度失稳”和“模式崩溃”问题
13	文献^[49] （2023）	WAGAN	传感器时序异常检测	SWaT	F1分数为0.9436，召回率为0.9965	使用多级离散小波变换分解重构传感器数据，引入注意力机制和多层LSTM网络	阈值选择的方法不佳，后续应考虑根据训练结果动态选择阈值
14	文献^[50] （2023）	BTAD	多变量时序异常检测	SMD、SWaT、SMAP、MBA、NAB、MSDS	F1分数均高于其他基线模型，最高可达0.9957	利用双变压器结构提取数据集关联特征	进一步提高BTAD检测性能的方法，探索如何降低双变压器结构的性能开销
15	文献^[51]（2023）	VAE-BiLSTM	工业多变量时序异常检测	机器采集	建模的工业过程作为一个集合的子过程产生了更好的鉴别力	以KPI的形式捕获先验知识，对AE的子过程性能进行了统计分析	未来考虑无监督训练集的构造和无监督机器学习体系结构的评价指标
16	文献^[52] （2023）	ST-MTS-AD	多变量时序异常检测	SMD、SMAP、 MSL、SWaT	F1分数高达0.9819	基于 Transformer 编码器生成的时序特征实现隐空间中随机变量间的长时依赖性	研究如何基于 Transformer 编码器实现隐空间中随机变量间的非马尔可夫动态性

序号	文献	模型	任务	数据集	模型性能	研究亮点	存在的问题或挑战
1	文献^[53] （2018）	LSTM-NDT	对航天器发回的遥测数据进行异常检测	MSL、SMAP	F0.5分数分别为0.69、0.71	提出一种不依赖于稀缺标签或错误参数假设的动态阈值方法	需要对信道异常相关性数学函数提供复杂系统行为异常洞察
2	文献^[54] （2021）	TCN	航天器遥测数据异常检测，实现高检出率、低误检率、强可解释性	Voltage1、Voltage2、Current1	ACC和TPR的平均值分别为96%和98%	利用TCN算法提取遥测数据的特征并进行预测，利用静态阈值判断法确定潜在异常	目前TCN仅仅是理论模型，在实际应用中的结果并没有得到，尚不能肯定其效果
3	文献^[55] （2021）	LSTM+AD	用于单变量时间序列数据的不和谐搜索	ECG数据集	与其他模型相比，在几个ECG数据集上F1分数均达到了最高	LSTMAD不依赖先验知识，对滑动窗口长度不敏感	LSTM网络的合理性有待进一步论证。未来将进一步设计合理的参数搜索策略，以提高模型性能
4	文献^[56] （2021）	BGOA-EANNs	航空航天系统数据异常检测	PHM08预后挑战赛数据集和GEO采集的电力系统数据集	F1分数在0.94以上	将BGOA和ANN结合，分别作为模型的特征选择和预测部分	在之后需要考虑对更多不同类型、不同模式、多变量样本以及其他空间环境真实条件的异常检测的结合
5	文献^[57] （2021）	GCN	社会事件预测	GDELT	F1分数为95%	提出一种基于实体交互图序列的预测模型，解决了建模事件相关性弱的问题	下一步的研究重点是区分实体对之间的交互类型，建立多图实体交互序列，实现对社会事件更加准确和可解释的预测
6	文献^[58] （2022）	Bi-ConvL- STM+Bi-LSTM+ BrEWMA	对多维时序数据进行异常检测	Yahoo Webscope A2	F1分数为0.8946	使用堆叠的中值滤波处理数据中的点异常，设计双向卷积LSTM网络，以及通过BrEWMA预测误差	需要进一步探索超参数选择和优化、在线训练等技术，进一步提高异常检测的精度和效率
7	文献^[59] （2022）	因果多元+TCN	卫星遥测数据异常检测，解决基于预测的异常检测方法存在误报率高、可解释性差的问题	SMAP、MSL、AIops-KPI	F1分数分别为0.8743、0.8387、0.9092	利用异常传递熵构造因果网络和多特征输入时域卷积网络	需要解决减少训练时间和降低复杂度的问题，进一步探究其与数据挖掘技术的结合
8	文献^[60] （2022）	改进LSTM	轨道交通系统异常检测	真实地铁运行环境中30天收集的数据	F1分数为0.8022	改进LSTM不依赖于稀缺异常标签，而是动态确定一个预测误差阈值来识别异常	将所提出方案的实现研究扩展到嵌入式设备，以减少检测延迟，满足实时应用场景需求
9	文献^[61] （2022）	GCN	遥测数据异常检测	PSR 数据集	F1分数为97.17%	提出一种计算单变量异常评分和综合异常评分的方法来定位异常变量	GCN方法以消耗更多运行时间为代价提供了更好的性能，还需要研究降低计算时间的方法和策略
10	文献^[62] （2022）	CN-FA-LSTM	遥测数据异常检测	SMAP、MSL	F1分数分别为0.8854和0.9214	通过计算归一化修正条件传递熵构建遥测参数因果网络	研究基于因果关系的卫星遥测数据建模和异常检测方法
11	文献^[63] （2022）	GTA	多变量时间序列异常检测	SWaT、WADI、SMAP、MSL	F1分数分别为0.91、0.84、0.91和0.90	引入影响传播卷积和一种多分支注意机制来取代原来的多头自注意方法	需探索更多关于将这种方法与在线学习策略相结合的方法，以便在未来的工作中将其应用于移动物联网场景
12	文献^[64] （2023）	GRU+ 注意力	从多维工业控制时间序列数据中自动学习传感器之间的潜在相关性，提高检测性能，帮助用户推断检测异常的根本原因	SWaT、WADI	F1分数分别为0.7496、0.4828	在GRU的基础上保留了捕获时间序列依赖关系的优势，解决了梯度消失和梯度爆炸的问题	探索不同的并行机制额外的架构和模型，并且在更复杂的场景下进行进一步的实验
13	文献^[65] （2023）	ATCN	遥测数据异常检测	SMAP、MSL	F1分数分别为0.9272和0.9613	利用动态图注意力来建模变量之间的复杂相关性，并捕获长期关系	在航天器上的异常检测方法一般都是在线的模型，此模型需要计划研究在线训练模型
14	文献^[66] （2023）	GDN+DA	多变量时间序列异常检测	MSL、WADI和SWaT	F1分数分别为88.45%、96.53%和74.18%	将图偏差网络和注意力机制进行结合	没有和其他几个较好的模型进行比较，只是针对GDN来展开的，需要更多的对比实验以说明其性能
15	文献^[67] (2023)	LightGBM	基于时间上下文进行时间序列预测	M5 Forecas-ting	在每个数据集上的MSE（1011）和RMSE（104）均达到了最小值	首次在时变和侧信息依赖的上下文中，在3种不同的权值约束下求出基学习器的最优组合权值	仅在3个数据集上进行了实验测试，还需要考虑更多的数据集
16	文献^[68] （2023）	MDGCN	社会垃圾邮件检测	Twitter SH、1KS- 10KN	F1分数为90%	MDGCN集成了图卷积网络和马尔可夫随机场的优点，在学习特征表示的同时对关系用户的依赖性进行建模	模型中采用的EM算法导致时间成本加倍

序号	文献	模型	任务	数据集	模型性能	研究亮点	可能存在的问题及挑战
1	文献^[70] （2020）	MTAD-GAT	多元时间序列数据异常检测	MAP、MSL、TSA	F1分数为 79.8%~ 90.1%	首次利用两个并行的图关注层来动态学习不同时间序列和时间戳之间的关系	通过图注意网络捕获特征依赖，但在一定程度上忽略了时间信息
2	文献^[71] （2021）	MCRA	多元时间序列数据异常检测	人工数据集、真实的房屋监测数据集	准确率为98.6%	提出了一种基于正态训练集的异常值阈值设置策略，该策略有助于确定多变量时间序列中的异常事件	可以在模型中加入注意机制，建立一个对噪声不敏感的多变量时间序列异常检测框架
3	文献^[72] （2021）	HF²-VAD	视频异常检测	UCSD Ped2、CUHK Avenue、ShanghaiTech	AUROC为 76.2%~ 99.3%	以重构的光流作为条件，设计了条件变分自动编码器来捕获视频帧与光流场之间的相关性	该方法在远离的异常目标检测上存在失败案例。推测场景是一个非常重要的变量
4	文献^[73] （2021）	NSIBF	多元时间序列数据异常检测	PUMP、WADI、SWaT	F1分数为90%~92%	提出了一种基于神经网络系统辨识和贝叶斯滤波的时间序列异常检测方法，该方法对CPS中的过程和传感器噪声具有鲁棒性	进一步丰富NSIBF在物联网中的应用场景
5	ZHANG^[69] （2021）	CAE-M	多传感器时间序列信号异常检测	PAMAP2、CAP、Mental Fatigue Dataset	F1分数为 96.08%~ 99.62%	为减少噪声数据的影响，用最大平均偏差惩罚对深度卷积编码器进行改进	着重基于点的细粒度异常检测方法，并通过设计适当的稀疏运算，进一步改善该多传感器数据异常检测方法
6	文献^[74] （2022）	结合预测和重构	视频异常检测	CUHK、UCSD	AUC为84.2%~ 95.5%	结合预测模型与重构模型用于视频异常检测，预测模块能够扩大正常与异常的区分度，重构模型使网络提高了对噪声的鲁棒性	尝试聚焦于视频帧中的局部图像，将整体视频帧与局部目标相结合，以提升监控视频中自动监控的监控效率
7	文献^[75] （2022）	SLMR	多元时间序列数据异常检测	SMAP、MSL、SWaT	F1分数为91.6%~ 96.6%	多尺度卷积提取短期依赖模式，捕捉时间尺度上丰富的信息，过滤原始数据，减少了不相关信息对结果的影响	该方案对窗口长度比较敏感（尤其是针对SWaT数据集），稳定性有待增强
8	文献^[76] （2022）	MemAE-P	多元时间序列数据异常检测	PUMP、SWaT、WADI	F1分数为87.9%~ 91.5%	为克服自动编码器在CPS异常检测中的过度泛化问题，引入了一个记忆模块，使重构收敛于正常样本	扩展当前工作解决复杂CPS中的噪声可能对模型的影响
9	文献^[77] （2022）	FuSAGNet	多元时间序列数据异常检测	SWaT、WADI、HAI	F1分数为60.7%~ 83.7%	该框架在稀疏约束下联合优化重构和预测，同时捕捉传感器生成的高维时间序列之间的相互依赖性	由于单层SAE的相当简单的体系结构，该框架在精度方面表现相对较差，尤其是在WADI上
10	文献^[78] （2022）	Decomposed Transformer	多元时间序列数据异常检测	SMD、SMAP、MSL、SWaT、PSM	F1分数为89.4%~ 95.2%	引入频率关注度模型来分离和表示时间序列的周期性	改进所提出的建模和学习策略，以扩大正常点和异常点之间的距离
11	文献^[79] （2022）	VAE-TCN	多元时间序列数据异常检测	SMD、SMAP、MSL、SWaT、PSM	F1分数为90%~ 95%	提出一种基于VAE-TCN的KPI（关键性能指标）序列异常检测混合模型，该模型可以并行地对局部性和长期依赖性建模	充分利用TCN、变压器等模型来提高KPI异常检测能力
12	文献^[80] （2022）	GTAD	工业数据异常检测	MSL、SMAP、SMD	F1分数分别为0.9544、0.9634和0.9732	考虑了序列之间的相关性和时间依赖性	首先，需要扩展到其他GNN框架，用于时间序列异常检测；其次，此论文提供了一种异常诊断和分析异常根源的机制，未来还需要进行进一步的研究以完善此机制
13	文献^[81] （2022）	MTAP-DK	工业设备异常检测	IOV、AIC	F1分数分别为0.8876和0.7952	提出知识提取模块，利用领域知识和历史数据提取出符合实际情况的领域方程	在文章中仅验证了MTAP-DK模型在复杂领域知识模块的异常检测效果，欠缺在非复杂领域中的实验结果论证其是一个好模型
14	文献^[82] （2022）	MTAD:LSTM-VAE	航天器异常检测	在轨航天器的电力子系统获得的数据集	F1分数为99%	捕获了数据中的空间和时间相关性，这对于区分正常值与异常是重要的	未来将使用更多的数据集进行评估。将为各种代理任务添加权重，以研究这些权重的变化对模型性能的影响
15	文献^[83] （2022）	VGCRN	多变量时间序列异常检测	DND、SMD、MSL、SMAP	F1分数为85%~91%	开发了一种向上-向下推理方案，用于精确推理，并通过引入联合优化目标来整合基于预测和基于重建的模型的优点	探索VGCRN的更多可能性，使它能够探索MTS的层次信息
16	文献^[84] （2023）	HST-GNN	多变量时序数据的异常检测	PSM、SMD、SWaT、WADI	F1分数为 86.4%~ 99.9%	通过引入系统级特征，使得该模型能够检测到早期的异常数据，降低了模型对于早期异常的漏检率	该框架对计算机资源要求较高，且传感器数据可能包含敏感信息，因此在异常检测中需要考虑隐私和安全问题

References 89

[1]	WU Wentai, HE Ligang, LIN Weiwei, et al. Developing an Unsupervised Real-Time Anomaly Detection Scheme for Time Series with Multi-Seasonality[J]. IEEE Transactions on Knowledge and Data Engineering, 2020, 34: 4147-4160.
[2]	WU Renjie, KEOGH E J. Current Time Series Anomaly Detection Benchmarks are Flawed and are Creating the Illusion of Progress[J]. IEEE Transactions on Knowledge and Data Engineering, 2023, 35: 2421-2429.
[3]	CHEN Hongsong, ZHANG Yongpeng, CAO Yongrui, et al. Security Issues and Defensive Approaches in Deep Learning Frameworks[J]. Tsinghua Science and Technology, 2021, 26(6): 894-904. doi: 10.26599/TST.2020.9010050
[4]	GARG A, ZHANG Wenyu, SAMARAN J, et al. An Evaluation of Anomaly Detection and Diagnosis in Multivariate Time Series[J]. IEEE Transactions on Neural Networks and Learning Systems, 2021, 33: 2508-2517.
[5]	LAI K H, ZHA Daochen, WANG Guanchu, et al. TODS: An Automated Time Series Outlier Detection System[C]// AAAI. Proceedings of the AAAI Conference on Artificial Intelligence. New York: AAAI, 2021: 16060-16062.
[6]	LIU Yi, GARG S, NIE Jiangtian, et al. Deep Anomaly Detection for Time-Series Data in Industrial IoT: A Communication-Efficient on-Device Federated Learning Approach[J]. IEEE Internet of Things Journal, 2020, 8: 6348-6358.
[7]	DRABAN Z Z, WEBB G I, PAN Shirui, et al. Deep Learning for Time Series Anomaly Detection: A Survey[J]. ACM Computing Surveys, 2024, 57(1): 1-42.
[8]	LI Gen, JUNG J J. Deep Learning for Anomaly Detection in Multivariate Time Series: Approaches, Applications, and Challenges[J]. Information Fusion, 2023, 91: 93-102.
[9]	CHEN Furong, XIONG Chen, LI Ting, et al. A Survey on Time Series Anomaly Detection[EB/OL]. (2025-01-21)[2025-01-27]. http://kns.cnki.net/kcms/detail/11.5258.U.20250121.1416.007.html.
	陈福荣, 熊琛, 李婷, 等. 时间序列异常检测综述[EB/OL]. (2025-01-21)[2025-01-27]. http://kns.cnki.net/kcms/detail/11.5258.U.20250121.1416.007.html.
[10]	DUAN Xueyuan, FU Yu, WANG Kun. Multi-Dimensional Time Series Anomaly Detection Method Based on VAE-WGAN[J]. Journal on Communication, 2022, 43(3): 1-13.
	段雪源, 付钰, 王坤. 基于VAE-WGAN的多维时间序列异常检测方法[J]. 通信学报, 2022, 43(3): 1-13. doi: 10.11959/j.issn.1000-436x.2022050
[11]	WANG Wenlu, CHEN Pengfei, XU Yibin, et al. Active-MTSAD: Multivariate Time Series Anomaly Detection With Active Learning[C]// IEEE. 2022 the 52nd Annual IEEE/IFIP International Conference on Dependable Systems and Networks (DSN). New York: IEEE, 2022: 263-274.
[12]	HUANG Xunhua, ZHANG Fengbin, FAN Haoyi, et al. Multimodal Adversarial Learning Based Unsupervised Time Series Anomaly Detection[J]. Journal of Computer Research and Development, 2021, 58(8): 1655-1667.
	黄训华, 张凤斌, 樊好义, 等. 基于多模态对抗学习的无监督时间序列异常检测[J]. 计算机研究与发展, 2021, 58(8): 1655-1667.
[13]	XU Tianhui, GUO Qiang, ZHANG Caiming. Time Series Data Anomaly Detection Based on Total Variation Ratio Separation Distance[J]. Computer Science, 2022, 49(9): 101-110. doi: 10.11896/jsjkx.210600174
	徐天慧, 郭强, 张彩明. 基于全变分比分隔距离的时序数据异常检测[J]. 计算机科学, 2022, 49(9): 101-110. doi: 10.11896/jsjkx.210600174
[14]	CUI Jingsong, ZHANG Tongtong, GUO Chi, et al. Network Equipment Anomaly Detection Based on Time Delay Feature[J]. Computer Science, 2023, 50(3): 371-379. doi: 10.11896/jsjkx.211200280
	崔竞松, 张童桐, 郭迟, 等. 基于时延特征的网络设备异常检测[J]. 计算机科学, 2023, 50(3): 371-379. doi: 10.11896/jsjkx.211200280
[15]	HONG Lei, WANG Zhiwei, ZHANG Xuezhi, et al. Erma Algorithm for Time Series Anomaly Detection and the Exploration of Its Application in Financial Information System[C]// IEEE. 2021 IEEE 3rd International Conference on Civil Aviation Safety and Information Technology (ICCASIT). New York: IEEE, 2021: 545-554.
[16]	DING Xiaoou, YU Shengjian, WANG Muxian, et al. Anomaly Detection on Industrial Time Series Based on Correlation Analysis[J]. Journal of Software, 2020, 31(3): 726-747.
	丁小欧, 于晟健, 王沐贤, 等. 基于相关性分析的工业时序数据异常检测[J]. 软件学报, 2020, 31(3): 726-747.
[17]	ZHANG Weiqi, CHEN Zhang, TSUNG F. Grelen: Multivariate Time Series Anomaly Detection from the Perspective of Graph Relational Learning[C]// IJCAI. Proceedings of the Thirty-First International Joint Conference on Artificial Intelligence(IJCAI-22). New York: IJCAI, 2022: 2390-2397.
[18]	REN Hansheng, XU Bixiong, WANG Yujing, et al. Time-Series Anomaly Detection Service at Microsoft[C]// ACM. Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (KDD’19). New York: ACM, 2019: 3009-3017.
[19]	CHALAPATHY R, CHAWLA S. Deep Learning for Anomaly Detection: A Survey[EB/OL]. (2019-01-23)[2025-01-27]. https://arxiv.org/abs/1901.03407.
[20]	LAI K H, ZHA Daochen, XU Junjie, et al. Revisiting Time Series Outlier Detection: Definitions and Benchmarks[EB/OL]. (2021-07-29)[2025-01-27]. https://openreview.net/forum?id=r8IvOsnHchr.
[21]	HITCHCOCK D B. STAT 520: Forecasting and Time Series[EB/OL]. (2005-05-01)[2025-01-27]. https://people.stat.sc.edu/hitchcock/stat520ch11slidespart2.pdf.
[22]	MATARISE F, DHLIWAYO L, NDUNA I S, et al. Detecting Level Shifts, Temporary Changes and Innovational Outliers in Intervention Analysis[J]. International Journal of Statistics and Systems, 2012, 7(3): 241-254.
[23]	ZHAO Na, HAN Biao, LI Ruidong, et al. A Multivariate KPIs Anomaly Detection Framework with Dynamic Balancing Loss Training[J]. IEEE Transactions on Network and Service Management, 2022, 20(2): 1418-1429.
[24]	SHARAFALDIN I, LASHKARI A H, GHORBANI A A. Toward Generating a New Intrusion Detection Dataset and Intrusion Traffic Characterization[J]. ICISSp, 2018, 1: 108-116.
[25]	GOH J, ADEPU S, JUNEJO K N, et al. A Dataset to Support Research in the Design of Secure Water Treatment Systems[C]// Springer. Critical Information Infrastructures Security:11th International Conference. Heidelberg: Springer, 2016: 88-99.
[26]	AHMED C M, PALLETI V R, MATHUR A P. Wadi: A Water Distribution Testbed for Research in the Design of Secure Cyber-Physical Systems[C]// ACM. Proceedings of the 3rd International Workshop on Cyber-Physical Systems for Smart Water Networks. New York: ACM, 2017: 25-28.
[27]	HUNDMAN K, CONSTANTINOU V, LAPORTE C, et al. Detecting Spacecraft Anomalies Using LSTMs and Nonparametric Dynamic Thresholding[C]// ACM. Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM, 2018: 387-395.
[28]	Yahoo. S5-A Labeled Anomaly Detection Dataset, Version 1.0[EB/OL]. (2020-05-01)[2025-01-27]. https://webscope.sandbox.yahoo.com/catalog.php?datatype=s&did=70.
[29]	LIU Jun, CHEN Hao, ZHAN Mengting, et al. MicroblogPCU Dataset[EB/OL]. (2015-03-16)[2025-01-27]. http://archive.ics.uci.edu/ml/datasets/microblogPCU.
[30]	PANG Guansong, SHEN Chunhua, CAO Longbing, et al. Deep Learning for Anomaly Detection: A Review[J]. ACM Computing Surveys (CSUR), 2021, 54(2): 1-38.
[31]	RUFF L, KAUFFMANN J R, VANDERMEULEN R A, et al. A Unifying Review of Deep and Shallow Anomaly Detection[J]. Proceedings of the IEEE, 2021, 109(5): 756-795.
[32]	MUNIR M, SIDDIQUI S A, DENGEL A, et al. DeepAnT: A Deep Learning Approach for Unsupervised Anomaly Detection in Time Series[J]. IEEE Access, 2019, 7: 1991-2005.
[33]	GHOSH A, KULHARIA V, NAMBOODIRI V, et al. Multi-Agent Diverse Generative Adversarial Networks[C]// IEEE. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2018: 8513-8521.
[34]	LIU Xize, ZOU Xiaobo, QU Wenyu, et al. An Adaptive Social Spammer Detection Model with Semi-Supervised Broad Learning[J]. IEEE Transactions on Knowledge and Data Engineering, 2022, 34(10): 4622-4635.
[35]	WU Jiajie, WU Shaoling, WANG Wei. An Anomaly Detection and Location Algorithm Based on TCN and Attention Mechanism[J]. Netinfo Security, 2021, 21(11): 85-94.
	吴佳洁, 吴绍岭, 王伟. 基于TCN和注意力机制的异常检测和定位算法[J]. 信息网络安全, 2021, 21(11): 85-94.
[36]	YIN Chunyong, ZHOU Liwen. Unsupervised Time Series Anomaly Detection Model Based on Re-Encoding[J]. Journal of Computer Applications, 2023, 43(3): 804-811. doi: 10.11772/j.issn.1001-9081.2022010006
	尹春勇, 周立文. 基于再编码的无监督时间序列异常检测模型[J]. 计算机应用, 2023, 43(3): 804-811. doi: 10.11772/j.issn.1001-9081.2022010006
[37]	ZHANG Renbin, ZUO Yicong, ZHOU Zelin, et al. Multimodal Generative Adversarial Networks Based Multivariate Time Series Anomaly Detection[J]. Computer Science, 2023, 50(5): 355-362. doi: 10.11896/jsjkx.220400221
	张仁斌, 左艺聪, 周泽林, 等. 基于多模态生成对抗网络的多元时序数据异常检测[J]. 计算机科学, 2023, 50(5): 355-362. doi: 10.11896/jsjkx.220400221
[38]	SUN Ningke, WANG Yan, JI Zhicheng. Anomaly Detection Method of Electrical Power Consumption Based on Deep Autoencoder[J]. Journal of Systems Simulation, 2022, 34(12): 2557-2565.
	孙宁可, 王艳, 纪志成. 基于深度自编码器的电力能耗异常检测方法[J]. 系统仿真学报, 2022, 34(12): 2557-2565. doi: 10.16182/j.issn1004731x.joss.22-FZ0931
[39]	VASWANI A, SHAZEER N, PARMAR N, et al. Attention is All You Need[EB/OL]. (2017-06-12)[2025-01-27]. https://arxiv.org/pdf/1706.03762.
[40]	LI Dan, CHEN Dacheng, SHI Lei, et al. MAD-GAN: Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks[C]// Springer. 28th International Conference on Artificial Neural Networks(Artificial Neural Networks and Machine Learning-ICANN 2019:Text and Time Series). Heidelberg: Springer, 2019: 703-716.
[41]	ZHANG Chuxu, SONG Dongjin, CHEN Yuncong, et al. A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis in Multivariate Time Series Data[C]// AAAI. Proceedings of the AAAI Conference on Artificial Intelligence. New York: AAAI, 2019: 1409-1416.
[42]	QI Qi, SHEN Runye, WANG Jingyu. GAD: Topology-Aware Time Series Anomaly Detection[J]. Journal of Communications, 2020, 41(6): 152-160.
	戚琦, 申润业, 王敬宇. GAD:基于拓扑感知的时间序列异常检测[J]. 通信学报, 2020, 41(6): 152-160. doi: 10.11959/j.issn.1000-436x.2020113
[43]	LI Zhihan, ZHAO Youjian, HAN Jiaqi, et al. Multivariate Time Series Anomaly Detection and Interpretation Using Hierarchical Inter-Metric and Temporal Embedding[C]// ACM. Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining. New York: ACM, 2021: 3220-3230.
[44]	CHEN Zekai, CHEN Dingshuo, YUAN Zixuan, et al. Learning Graph Structures with Transformer for Multivariate Time-Series Anomaly Setection in IoT[J]. IEEE Internet of Things Journal, 2021, 9(12): 9179-9189.
[45]	TULI S, CASALE G, JENNINGS N R. TranAD: Deep Transformer Networks for Anomaly Detection in Multivariate Time Series Data[EB/OL]. (2022-05-14)[2025-01-27]. https://api.semanticscholar.org/CorpusID:246035402.
[46]	CHEN Shiwei, LI Jing, XUAN Jiaxing, et al. LSTM-GAN: Unsupervised Anomaly Detection for Time Series Fusion of GAN and Bi-LSTM[J]. Journal of Chinese Computer Systems, 2024, 45(1): 123-131.
	陈世伟, 李静, 玄佳兴, 等. LSTM-GAN:融合GAN和Bi-LSTM的无监督时间序列异常检测[J]. 小型微型计算机系统, 2024, 45(1): 123-131.
[47]	ZHOU Hao, YU Ke, ZHANG Xuan, et al. Contrastive Autoencoder for Anomaly Setection in Multivariate Time Series[J]. Information Sciences, 2022, 610: 266-280.
[48]	ZHANG Zhijie, LI Wenzhou, DING Wangxiang, et al. STAD-GAN: Unsupervised Anomaly Detection on Multivariate Time Series with Self-Training Generative Adversarial Networks[J]. ACM Transactions on Knowledge Discovery from Data, 2023, 17(5): 1-18.
[49]	MA Biao, JIA Juncheng, DONG Guozhu, et al. WAGAN: Industrial Control Sensor Data Anomaly Detection Method Based on Wavelet Transform and Attention Mechanism[J]. Journal of Chinese Computer Systems, 2023, 44(1): 168-176.
	马标, 贾俊铖, 董国柱, 等. WAGAN:基于小波变换和注意力机制的工控传感器数据异常检测方法[J]. 小型微型计算机系统, 2023, 44(1): 168-176.
[50]	MA Mingrui, HAN Lansheng, ZHOU Chunjie. BTAD: A Binary Transformer Deep Neural Network Model for Anomaly Detection in Multivariate Time Series Data[EB/OL]. (2023-04-01)[2025-01-27]. https://www.sciencedirect.com/science/article/abs/pii/S1474034623000770?via%3Dihub.
[51]	TERBUCH A, O’LEARY P, KHALILI-MOTLAGH-KASMAEI N, et al. Detecting Anomalous Multivariate Time-Series via Hybrid Machine Learning[J]. IEEE Transactions on Instrumentation and Measurement, 2023, 72: 1-11.
[52]	HUO Weigang, LIANG Rui, LI Yonghua. Anomaly Detection Model for Multivariate Time Series Based on Stochastic Transformer[J]. Journal of Communications, 2023, 44(2): 94-103.
	霍纬纲, 梁锐, 李永华. 基于随机Transformer的多维时间序列异常检测模型[J]. 通信学报, 2023, 44(2): 94-103. doi: 10.11959/j.issn.1000-436x.2023042
[53]	HUNDMAN K, CONSTANTINOU V, LAPORTE C, et al. Detecting Spacecraft Anomalies Using LSTMs and Nonparametric Dynamic Thresholding[C]// ACM. Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York: ACM, 2018: 387-395.
[54]	WANG Yuanliang, WU Yan, YANG Qiong, et al. Anomaly Detection of Spacecraft Telemetry Data Using Temporal Convolution Network[C]// IEEE. 2021 IEEE International Instrumentation and Measurement Technology Conference (I2MTC). New York: IEEE, 2021: 1-5.
[55]	JI Zhiwei, GONG Jiaheng, FENG Jiarui. A Novel Deep Learning Approach for Anomaly Detection of Time Series Data[EB/OL]. (2021-01-03)[2025-01-27]. https://doi.org/10.1155/2021/6636270.
[56]	EZZAT D, HASSANIEN A E, DARWISH A, et al. Multi-Objective Hybrid Artificial Intelligence Approach for Fault Diagnosis of Aerospace Systems[J]. IEEE Access, 2021, 9: 41717-41730.
[57]	DENG Na. Predicting Social Events Using Entity Interaction Graph Sequences[C]// IEEE. 2021 IEEE 2nd International Conference on Big Data, Artificial Intelligence and Internet of Things Engineering (ICBAIE). New York: IEEE, 2021: 1025-1029.
[58]	XIA Ying, HAN Xingyu. Multi-Dimensional Time Series Data Anomalydetection Fusing Statistical Methods and Bidirectional Convolutional LSTM[J]. Application Research of Computers, 2022, 39(5): 1362-1367.
	夏英, 韩星雨. 融合统计方法和双向卷积LSTM的多维时序数据异常检测[J]. 计算机应用研究, 2022, 39(5): 1362-1367.
[59]	ZENG Zefan, LEI Jiugang, JIN Guang, et al. Detecting Anomalies in Satellite Telemetry Data Based on Causal Multivariate Temporal Convolutional Network[C]// IEEE. 2022 IEEE 5th International Conference on Big Data and Artificial Intelligence (BDAI). New York: IEEE, 2022: 63-74.
[60]	WANG Yujie, DU Xin, LU Zhihui, et al. Improved LSTM-Based Time-Series Anomaly Detection in Rail Transit Operation Environments[C]// IEEE. IEEE Transactions on Industrial Informatics. New York: IEEE, 2022: 9027-9036.
[61]	SONG Yue, YU Jinsong, TANG Diyin, et al. Anomaly Detection in Spacecraft Telemetry Data Using Graph Convolution Networks[C]// IEEE. 2022 IEEE International Instrumentation and Measurement Technology Conference (I2MTC). New York: IEEE, 2022: 1-6.
[62]	ZENG Zefan, JIN Guang, CHI Xu, et al. Satellite Telemetry Data Anomaly Detection Using Causal Network and Feature-Attention-Based LSTM[C]// IEEE. IEEE Transactions on Instrumentation and Measurement. New York: IEEE, 2022: 1-21.
[63]	CHEN Zekai, CHEN Dingshuo, YUAN Ziyuan, et al. Learning Graph Structures with Transformer for Multivariate Time-Series Anomaly Detection in IoT[J]. IEEE Internet of Things Journal, 2022, 9(12): 9179-9189.
[64]	TANG Chaofan, XU Lijuan, YANG Bo, et al. GRU-Based Interpretable Multivariate Time Series Anomaly Detection in Industrial Control System[EB/OL]. (2023-04-01)[2025-01-27]. https://doi.org/10.1016/j.cose.2023.103094.
[65]	LIU Liang, TIAN Ling, KANG Zhao, et al. Spacecraft Anomaly Detection with Attention Temporal Convolution Networks[J]. Neural Computing and Applications, 2023, 35(13): 9753-9761.
[66]	MAHESHWARI M, GUPTA B, CHATTERJEE A, et al. A Dynamic Attention Based Graph Neural Network for Anomaly Prediction in Multi-Variate Time-Series & Its Application in Network Monitoring[C]// ACM. Proceedings of the 6th Joint International Conference on Data Science & Management of Data (10th ACM IKDD CODS and 28th COMAD). New York: ACM, 2023: 233-237.
[67]	FAZLA A, AYDIN M E, KOZAT S S. Time-Aware and Context-Sensitive Ensemble Learning for Sequential Data[J]. IEEE Transactions on Artificial Intelligence, 2023, 5(5): 2264-2278.
[68]	DENG Leyan, WU Chenwang, LIAN Defu, et al. Markov-Driven Graph Convolutional Networks for Social Spammer Detection[J]. IEEE Transactions on Knowledge and Data Engineering, 2023, 35(12): 12310-12322.
[69]	ZHANG Yuxin, CHEN Yiqiang, WANG Jindong, et al. Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals[J]. IEEE Transactions on Knowledge and Data Engineering, 2021, 35(2): 2118-2132.
[70]	ZHAO Hang, WANG Yujing, DUAN Juanyong, et al. Multivariate Time-Series Anomaly Detection via Graph Attention Network[C]// IEEE. 2020 IEEE International Conference on Data Mining (ICDM). New York: IEEE, 2020: 841-850.
[71]	ZHAO Peihai, CHUANG Xiaoyan, WANG Mimi. A Novel Multivariate Time-Series Anomaly Detection Approach Using an Unsupervised Deep Neural Network[J]. IEEE Access, 2021, 9: 109025-109041.
[72]	LIU Zhian, NIE Yongwei, LONG Chengjiang, et al. A Hybrid Video Anomaly Detection Framework via Memory-Augmented Flow Reconstruction and Flow-Guided Frame Prediction[C]// IEEE. 2021 IEEE/CVF International Conference on Computer Vision (ICCV). New York: IEEE, 2021: 13568-13577.
[73]	FENG Cheng, TIAN Pengwei. Time Series Anomaly Detection for Cyber-Physical Systems via Neural System Identification and Bayesian Filtering[C]// ACM. Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining (KDD’21). New York: ACM, 2021: 2858-2867.
[74]	ZHOU Wei, JIANG Xiaoyan, ZHU Kaiying, et al. Unsupervised Video Anomaly Detection Algorithm Combining Reconstruction and Rrediction Model[J]. Transducer and Microsystem Technologies, 2022, 41(10): 108-111, 116.
	周伟, 姜晓燕, 朱凯赢, 等. 结合重构和预测模型的无监督视频异常检测算法[J]. 传感器与微系统, 2022, 41(10): 108-111,116.
[75]	MIAO Qiucheng, XU Chuanfu, ZHAO Jun, et al. An Unsupervised Short- and Long-Term Mask Representation for Multivariate Time Series Anomaly Detection[C]// Springer. International Conference on Neural Information Processing. Heidelberg: Springer, 2022: 504-516.
[76]	SUN Zhe, LI Jinguo. Anomaly Detection for CPS via Memory-Augmented Reconstruction and Time Series Prediction[C]// IEEE. 2022 IEEE 19th International Conference on Mobile Ad Hoc and Smart Systems (MASS). New York: IEEE, 2022: 530-536.
[77]	HAN S H, WOO S S. Learning Sparse Latent Graph Representations for Anomaly Detection in Multivariate Time Series[C]// ACM. Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD’22). New York: ACM, 2022: 2977-2986.
[78]	QIN Shuxin, ZHU Jing, WANG Danping, et al. Decomposed Transformer with Frequency Attention for Multivariate Time Series Anomaly Detection[C]// IEEE. 2022 IEEE International Conference on Big Data. New York: IEEE, 2022: 1090-1098.
[79]	WU Bo, XU Qian, YAN Zhenjie, et al. VAE-TCN Hybrid Model for KPI Anomaly Detection[C]// IEEE. 2022 23rd Asia-Pacific Network Operations and Management Symposium (APNOMS). New York: IEEE, 2022: 1-6.
[80]	GUAN Siwei, ZHAO Binjie, DONG Zhekang, et al. GTAD: Graph and Temporal Neural Network for Multivariate Time Series Anomaly Detection[EB/OL]. (2022-05-27)[2025-01-27]. https://pdfs.semanticscholar.org/87a7/dc2f1640c2468319b0ceff80826fec67fee2.pdf.
[81]	XUE Liang, PENG Zhaohui, ZHANG Jiaqi, et al. MTAP-DK: Multivariate Time-Series Anomaly Prediction with Domain Knowledge[C]// IEEE. 2022 International Joint Conference on Neural Networks (IJCNN). New York: IEEE, 2022: 1-8.
[82]	YANG Kaifei, WANG Yakun, HAN Xiaodong, et al. Unsupervised Anomaly Detection for Time Series Data of Spacecraft Using Multi-Task Learning[EB/OL]. (2022-06-21)[2025-01-27]. https://doi.org/10.3390/app12136296.
[83]	CHEN Wenchuan, TIAN Long, CHEN Bo, et al. Deep Variational Graph Convolutional Recurrent Network for Multivariate Time Series Anomaly Detection[C]// PMLR. International Conference on Machine Learning. New York: PMLR, 2022: 3621-3633.
[84]	JIANG Yu, CHEN Hua, ZHANG Xiaogang, et al. Multivariable Time Series Anomaly Detection Using Heuristic Spatio-Temporal Graph Neural Network[J]. SCIENTIA SINICA Informationis, 2023, 53(9): 1784-1801.
	姜羽, 陈华, 张小刚, 等. 基于启发式时空图神经网络的多变量时序异常检测[J]. 中国科学:信息科学, 2023, 53(9): 1784-1801.
[85]	CHEN Hongsong, WANG Gang, SONG Jianlin. Research on Anomaly Behavior Classification Algorithm of Internal Network User Based on Cloud Computing Intrusion Detection Data Set[J]. Netinfo Security, 2018, 18(3): 1-7.
	陈红松, 王钢, 宋建林. 基于云计算入侵检测数据集的内网用户异常行为分类算法研究[J]. 信息网络安全, 2018, 18(3): 1-7.
[86]	CHEN Hongsong, CHEN Jingjiu. Recurrent Neural Networks Based Wireless Network Intrusion Detection and Classification Model Construction and Optimization[J]. Journal of Electronics & Information Technology, 2019, 41(6): 1427-1433.
	陈红松, 陈京九. 基于循环神经网络的无线网络入侵检测分类模型构建与优化研究[J]. 电子与信息学报, 2019, 41(6): 1427-1433.
[87]	CHEN Hongsong, HAN Zhi, DENG Shuning. Analysis and Research on Big Data Security in Smart City[J]. Netinfo Security, 2015, 15(7): 1-6.
	陈红松, 韩至, 邓淑宁. 智慧城市中大数据安全分析与研究[J]. 信息网络安全, 2015, 15(7): 1-6.
[88]	GU Zhaopeng, ZHU Bingke, ZHU Guibo, et al. AnomalyGPT: Detecting Industrial Anomalies Using Large Vision-Language Models[C]// AAAI. Proceedings of the AAAI Conference on Artificial Intelligence. New York: AAAI, 2024: 1932-1940.
[89]	DING Hongxin, ZOU Peinie, ZHAO Junfeng, et al. Active Learning-Based Text Entity and Relation Joint Extraction Methodg[J]. Computer Science, 2023, 50(10): 126-134. doi: 10.11896/jsjkx.230300079
	丁泓馨, 邹佩聂, 赵俊峰, 等. 一种基于主动学习的文本实体与关系联合抽取方法[J]. 计算机科学, 2023, 50(10): 126-134. doi: 10.11896/jsjkx.230300079

文献	问题定义	模型分类	目前挑战	未来展望
文献[7]	提出5种异常	根据1种分类方法进行总结	从6个方面提出了挑战	研究方向	是否包含潜在价值	是否包含技术瓶颈
文献[7]	提出5种异常	根据1种分类方法进行总结	从6个方面提出了挑战	只从1个方面详细介绍未来的研究方向	是	是
文献[8]	提出3种异常	根据1种分类方法进行总结	从3个方面提出了挑战	提出3个方面的未来研究方向	是	否
文献[9]	提出3种异常	根据3种分类方法进行总结	从3个方面提出了挑战	未深入提出未来研究方向	是	否
本文	提出10种异常	根据3种分类方法进行总结	从9个方面提出了挑战	从8个方面详细介绍未来研究方向	是	是

序号	数据集	发表年份	多变量/单变量	样本数/个	维度	应用领域
1	SMD	2019年	多变量	1416825	38	服务器计算机监控
2	MBD	2018年	多变量	8640	26	服务器机器监控
3	Car-Hacking	2019年	多变量	—	—	车联网
4	CICIDS2017	2017年	多变量	2830540	83	车联网
5	SWaT	2016年	多变量	946719	51	工业控制系统
6	WADI	2017年	多变量	957372	127	工业控制系统
7	GHL	2016年	多变量	200001	22	工业控制系统
8	SKAB	2020年	多变量	46860	11	工业领域
9	MSL	2018年	多变量	132046	55	航空航天
10	SMAP	2015年	多变量	562800	25	环境管理
11	Webscope S5	2015年	单变量	572966	1	多领域
12	GDELT	不断更新	多变量	—	—	社交网络舆情安全
13	MicroblogPCU	2015年	多变量/单变量	221579	20	社交网络舆情安全
14	Social-Spammer-Heterogeneous	2015年	多变量	858247099	9	社交网络舆情安全
15	Apontador	2014年	多变量	7076	61	社交网络舆情安全
16	News Headline Sentiment Dataset	2020年	单变量	93239	3	社交网络舆情安全

名称	代表模型	优点	缺点	应用场景及性能比较
基于重构的深度时序异常检测模型	GAN、AE	普遍无需添加标签，只需学习正常数据集中的分布特征	增加神经网络的层数导致整体复杂度变高；大部分模型无法同时有效学习到指标度量间表示和时间依赖性；对于点异常，检测性能差	应用场景：适合较为平稳、规律的数据集，特别是对大规模数据集进行无监督检测时较为有效 SWaT数据集实验效果： F1分数为0.943^[49] 模型效率：对于大规模时序数据，其计算开销可能较大，尤其是数据量巨大时
基于预测的深度时序异常检测模型	GRU、LSTM、TCN	能够处理复杂多变的数据集，并实现实时监测的性能	训练时需要大量的数据集；模型的解释性较差；同时计算开销较大	应用场景：适用于时序数据变化较大的场景，能够应对复杂的动态变化 SWaT数据集实验效果： F1分数为0.910^[63] 模型效率：对于短期异常检测较为合适，但如果时序数据非常长，训练时间和计算资源会显著增加
基于融合的深度时序异常检测模型	MTAD-GAT、 VAE-TCN	联合优化目标，提高异常检测效率	设计更加复杂，并可能带来较昂贵的时间成本和计算成本	应用场景：适用于复杂度较高的场景，尤其是需要同时处理多种特征（如时间序列和图结构数据）时非常有效 SWaT数据集实验效果： F1分数为0.916^[75] 模型效率：虽然效果较好，但可能带来较高的计算开销，适合对实时性要求不高的场景