Как найти 7 видов аномалий

Награда за выполнение задания «детектор аномалий», в последствии после летающего острова получите «универсалный детектор аномалий» ========================================================= В помощь каналу —————————————————————————————————————— Онлайн игры https://www.youtube.com/playlist?list=PLGLqs3ViOlSA8V9XyaL4xdgA6Yl7OYd41
—————————————————————————————————————— Яндекс деньги 410012473778206

Предсказания от математиков. Разбираем основные методы обнаружения аномалий

За рубежом все большую популярность набирает использование искусственного интеллекта в промышленности для предиктивного обслуживания (predictive maintenance) различных систем. Цель этой методики — определение неполадок в работе системы на этапе эксплуатации до выхода её из строя для своевременного реагирования.

Насколько востребован такой подход у нас и на Западе? Вывод можно сделать, например, по статьям на Хабре и в Medium. На Хабре почти не встречается статей по решению задач предиктивного обслуживания. На Medium же есть целый набор. Вот здесь, ещё здесь и здесь хорошо описано, в чем цели и преимущества такого подхода.

Из этой статьи вы узнаете:

• зачем нужна эта методика,
• какие подходы машинного обучения чаще используются для предиктивного обслуживания,
• как я опробовал один из приёмов на простом примере.

Источник

Какие возможности даёт предиктивное обслуживание:

• контролируемый процесс ремонтных работ, которые выполняются по мере необходимости, сохраняя таким образом деньги, и без спешки, что улучшает качество этих работ;
• определение конкретной неполадки в работе оборудования (возможность приобрести определенную деталь для замены при работающем оборудовании дает огромные преимущества);
• оптимизация работы оборудования, нагрузок и т.п.;
• уменьшение затрат на регулярное отключение оборудования.

В очередной статье на Medium хорошо описаны вопросы, на которые нужно ответить, чтобы понять как в конкретном случае подступиться к этому вопросу.

При сборе данных или при выборе данных для построения модели важно ответить на три группы вопросов:

1. Все ли неполадки в системе можно предсказать? Какие предсказать особенно важно?
2. Что представляет собой процесс выхода из строя? Прекращается ли работа системы целиком или только меняется режим работы? Быстрый ли это процесс, мгновенный или постепенная деградация?
3. В достаточной ли степени показатели системы отражают ее работоспособность? Относятся ли они к отдельным частям системы или к системе в целом?

Важно также заранее понимать, что вы хотите предсказывать, и что предсказать возможно, а что — нет.

В статье на Medium также перечислены вопросы, которые помогут определиться с вашей конкретной целью:

• Что нужно предсказывать? Оставшееся время жизни, аномальное поведение или нет, вероятность выйти из строя за следующие N часов/дней/недель?
• Достаточно ли накопленных исторических данных?
• Известно ли, когда система выдавала аномальные показания, а когда — нет. Возможна ли разметка таковых показаний?
• Насколько вперед должна видеть модель? Насколько независимы показания, отражающие работу системы, в промежутке часа/дня/недели
• Что нужно оптимизировать? Должна ли модель отлавливать как можно больше нарушений, при этом выдавая ложную тревогу, или достаточно отлавливать несколько событий, без ложных срабатываний.

Есть надежда, что ситуация в будущем будет исправляться. Пока в области предиктивного обслуживания есть сложности: мало примеров неправильной работы системы, или моментов времени неправильной работы системы достаточно, но они не размечены; процесс выхода из строя неизвестен.

Основным способом преодоления сложностей в предиктивном обслуживании является использование методов поиска аномалий. Такие алгоритмы не требуют разметки для обучения. Для тестирования и отладки алгоритмов разметка в том или ином виде необходима. Такие методы ограничены тем, что будут предсказывать не конкретную поломку, а лишь сигнализировать о ненормальности показателей.

Но и это уже неплохо.

Источник

Методы

Теперь хочу рассказать об некоторых особенностях подходов обнаружения аномалий, а потом мы вместе проверим возможности некоторых простых алгоритмов на практике.

Хотя для конкретной ситуации потребуется тестирование нескольких алгоритмов поиска аномалий и выбор лучшего, можно определить некоторые преимущества и недостатки основных методик, используемых в этой области.

В первую очередь важно заранее понимать, каков процент аномалий в данных.

Если речь идет о вариации semi-supervised подхода (обучаемся только на «нормальных» данных, а работаем (тестируемся) потом на данных с аномалиями), то наиболее оптимальным будет выбор метода опорных векторов с одним классом (One-Class SVM). При использовании радиальных базисных функций в качестве ядра этот алгоритм строит нелинейную поверхность вокруг начала координат. Чем чище данные для обучения, тем лучше он работает.

В остальных случаях необходимость знать соотношение аномальных и «нормальных» точек также остается — для определения порога отсечения.

Если число аномалий в данных более 5%, и они достаточно хорошо отделимы от основной выборки, можно использовать стандартные методы поиска аномалий.

В этом случае наиболее стабильным с точки зрения качества является метод изолирующего леса (isolation forest): данные сплитуются случайным образом. У более характерного показания больше вероятность попасть глубже, в то время как необычные показатели будут отделяться от остальной выборки на первых итерациях.

Остальные алгоритмы работают лучше, если «подходят» под специфику данных.

Когда данные имеют нормальное распределение, то подходит метод Elliptic envelope, апроксимирующий данные многомерным нормальным распределением. Чем меньше вероятность, что точка принадлежит распределению, тем больше вероятность, что она аномальная.

Если же данные представлены таким образом, что относительное положение разных точек хорошо отражает их различия, то хорошим выбором представляется метрические методы: например, k ближайших соседей, k-го ближайшего соседа, ABOD (angle-based outlier detection) или LOF (local outlier factor).

Все эти методы предполагают, что «правильные» показатели сконцентрированы в одной области многомерного пространства. Если среди k (или k-ый) ближайших соседей все далеко от целевой, значит точка — аномалия. Для ABOD рассуждения схожие: если все k ближайших точек находятся в одном секторе пространства относительно рассматриваемой, то точка — аномалия. Для LOF: если локальная плотность (заранее определенная для каждой точки по k ближайшим соседям) ниже, чем у k ближайших соседей, то точка — аномалия.

Если данные хорошо кластеризуются — хорошим выбором представляются методы, основанные на кластерном анализе. Если точка равноудалена от центров нескольких кластеров, значит она аномальная.

Если в данных хорошо выделяются направления наибольшего изменения дисперсии, то представляется хорошим выбором — поиск аномалий на основе метода главных компонент. В этом случае в качестве меры аномальности рассматриваются отклонения от среднего значения по n1 (наиболее «главным» компонентам) и по n2 (наименее «главным»).

Для примера предлагается посмотреть на дата-сет от The Prognostics and Health Management Society (PHM Society). Эта нон-профит организация устраивает каждый год соревнования. В 2018 году например требовалось предсказать ошибки в работе и время до выхода из строя установки для ионно-лучевого травления. Мы же возьмем дата-сет за 2015 год. В нем даны показания нескольких датчиков для 30 установок (обучающая выборка), и требуется предсказать, когда и какая ошибка произойдет.

Ответы по тестовой выборке я в сети не нашел, так что будем играться только с обучающей.

В целом все установки похожи, но различаются, например, по числу компонент, в числе аномалий и т.д. Поэтому обучаться на первых 20, а тестироваться — на других большого смысла не имеет.

Итак, выберем одну из установок, подгрузим и немного на эти данные посмотрим. Статья будет не про feature engineering, поэтому сильно всматриваться не будем.

import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
import seaborn as sns
from sklearn.covariance import EllipticEnvelope
from sklearn.neighbors import LocalOutlierFactor
from sklearn.ensemble import IsolationForest
from sklearn.svm import OneClassSVM
dfa=pd.read_csv('plant_12a.csv',names=['Component number','Time','S1','S2','S3','S4','S1ref','S2ref','S3ref','S4ref'])
dfa.head(10)

Как видим есть семь компонент для каждой из которых есть показания четырёх датчиков, которые снимаются каждые 15 минут. S1ref-S4ref в описании соревнования значатся как референсные значения, но по значениям сильно отличаются от показаний датчиков. Чтобы не тратить время на раздумья о том, что они означают, убираем их. Если посмотреть на распределение значения для каждого признака (S1-S4), то окажется, что у S1, S2 и S4 распределения непрерывны, а у S3 дискретны. Кроме того, если посмотреть на совместное распределение S2 и S4, окажется, что они обратно пропорциональны.

Хотя отклонение от прямой зависимости и может говорить об ошибке, не станем это проверять, а просто уберем S4.

Ещё раз обработаем дата-сет. Оставляем S1, S2 и S3. S1 и S2 шкалируем StandardScaler’ом (вычитаем среднее и делим на стандартное отклонение), S3 переводим в OHE (One Hot Encoding). Сшиваем показания от всех компонент установки в одну строку. Итого 89 фичей. 2*7 = 14 — показания S1 и S2 для 7 компонент и 75 уникальных значений R3. Всего 56 тыс. таких строк.

Подгрузим файл с ошибками.

dfc=pd.read_csv('plant_12c.csv',names=['Start Time', 'End Time','Type'])
dfc.head()

Перед тем, как попробовать перечисленные алгоритмы на нашем дата-сете, позволю себе ещё одно небольшое отступление. Нужно ведь тестироваться. Для этого предлагается взять время начала ошибки и время конца. И все показания внутри этого промежутка считать аномальными, а вне —  нормальными. У этого подхода есть много недостатков. Но особенно один — аномальное поведение скорее всего возникает до того, как ошибка фиксируется. Сдвинем для верности окно аномальности на полчаса назад во времени. Оценивать будем F1-меру, точность (precision) и полноту (recall).

Код выделения признаков и определения качества модели:

def load_and_preprocess(plant_num):
    #загружаем в память показания датчиков и времена, когда были зафиксированы ошибки
    dfa=pd.read_csv('plant_{}a.csv'.format(plant_num),names=['Component number','Time','S1','S2','S3','S4','S1ref','S2ref','S3ref','S4ref'])
    dfc=pd.read_csv('plant_{}c.csv'.format(plant_num),names=['Start Time','End Time','Type']).drop(0,axis=0)
    N_comp=len(dfa['Component number'].unique())
    #округляем до 15 минут
    dfa['Time']=pd.to_datetime(dfa['Time']).dt.round('15min')
    #ошибка номер 6 нас не интересует (в соревновании говорилась, что ее не рассматривать)
    dfc=dfc[dfc['Type']!=6]
    dfc['Start Time']=pd.to_datetime(dfc['Start Time'])
    dfc['End Time']=pd.to_datetime(dfc['End Time'])
    #сливаем строки от разных модулей в одну, а затем еще и переводим в OHE показания 3-го датчика
    dfa=pd.concat([dfa.groupby('Time').nth(i)[['S1','S2','S3']].rename(columns={"S1":"S1_{}".format(i),"S2":"S2_{}".format(i),"S3":"S3_{}".format(i)}) for i in range(N_comp)],axis=1).dropna().reset_index()
    for k in range(N_comp):
        dfa=pd.concat([dfa.drop('S3_'+str(k),axis=1),pd.get_dummies(dfa['S3_'+str(k)],prefix='S3_'+str(k))],axis=1).reset_index(drop=True)
    #делим на обучающую и тестовую выборки и шкалируем
    df_train,df_test=train_test_split(dfa,test_size=0.25,shuffle=False)
    cols_to_scale=df_train.filter(regex='S[1,2]').columns
    scaler=preprocessing.StandardScaler().fit(df_train[cols_to_scale])
    df_train[cols_to_scale]=scaler.transform(df_train[cols_to_scale])
    df_test[cols_to_scale]=scaler.transform(df_test[cols_to_scale])
    return df_train,df_test,dfc
#код для получения разметки в тестовых данных
def get_true_labels(measure_times,dfc,shift_delta):
    idxSet=set()
    dfc['Start Time']-=pd.Timedelta(minutes=shift_delta)
    dfc['End Time']-=pd.Timedelta(minutes=shift_delta)
    for idx,mes_time in tqdm_notebook(enumerate(measure_times),total=measure_times.shape[0]):
        intersect=np.array(dfc['Start Time']<mes_time).astype(int)*np.array(dfc['End Time']>mes_time).astype(int)
        idxs=np.where(intersect)[0]
        if idxs.shape[0]:
            idxSet.add(idx)
    dfc['Start Time']+=pd.Timedelta(minutes=shift_delta)
    dfc['End Time']+=pd.Timedelta(minutes=shift_delta)
    true_labels=pd.Series(index=measure_times.index)
    true_labels.iloc[list(idxSet)]=1
    true_labels.fillna(0,inplace=True)
    return true_labels
#код для проверки качества модели и распечатки распределения показателей аномальности
def check_model(model,df_train,df_test,filt='S[123]'):
    model.fit(df_train.drop('Time',axis=1).filter(regex=(filt)))
    y_preds = pd.Series(model.predict(df_test.drop(['Time','Label'],axis=1).filter(regex=(filt)))).map({-1:1,1:0})
    print('F1 score: {:.3f}'.format(f1_score(df_test['Label'],y_preds)))
    print('Precision score: {:.3f}'.format(precision_score(df_test['Label'],y_preds)))
    print('Recall score: {:.3f}'.format(recall_score(df_test['Label'],y_preds)))
    score = model.decision_function(df_test.drop(['Time','Label'],axis=1).filter(regex=(filt)))
    sns.distplot(score[df_test['Label']==0])
    sns.distplot(score[df_test['Label']==1])

df_train,df_test,anomaly_times=load_and_preprocess(12)
df_test['Label']=get_true_labels(df_test['Time'],dfc,30)

Результаты тестирования простых алгоритмов поиска аномалий на датасете PHM 2015 Data Challenge

Вернёмся к алгоритмам. Попробуем One Class SVM (OCSVM), IsolationForest (IF), EllipticEnvelope (EE) и LocalOutlierFactor (LOF) на наших данных. Для начала никакие параметры задавать не будем. Отмечу, что LOF может работать в двух режимах. Если novelty=False умеет искать аномалии только в обучающей выборке (есть только fit_predict), если True, то нацелен на поиск аномалий вне обучающей выборки (умеет отдельно fit и predict). У IF есть режим (behaviour) old и new. Используем new. Он дает результаты получше.

OCSVM определяет аномалии хорошо, но слишком много ложно-положительных результатов. У остальных методов результат еще хуже.

Но предположим, что мы знаем процент аномалий в данных. В нашем случае 27%. У OCSVM есть nu — верхняя оценка на процент ошибок и нижняя на процент опорных векторов. У остальных методов contamination — процент ошибок в данных. В методах IF и LOF он определяется автоматически, а у OCSVM и EE задан по умолчанию равным 0.1. Попробуем задать contamination (nu) равным 0.27. Теперь топовый результат у EE.

Код для проверки моделей:

def check_model(model,df_train,df_test,filt='S[123]'):
    model_type,model = model
    model.fit(df_train.drop('Time',axis=1).filter(regex=(filt)))
    y_preds = pd.Series(model.predict(df_test.drop(['Time','Label'],axis=1).filter(regex=(filt)))).map({-1:1,1:0})
    print('F1 score for {}: {:.3f}'.format(model_type,f1_score(df_test['Label'],y_preds)))
    print('Precision score for {}: {:.3f}'.format(model_type,precision_score(df_test['Label'],y_preds)))
    print('Recall score for {}: {:.3f}'.format(model_type,recall_score(df_test['Label'],y_preds)))
    score = model.decision_function(df_test.drop(['Time','Label'],axis=1).filter(regex=(filt)))
    sns.distplot(score[df_test['Label']==0])
    sns.distplot(score[df_test['Label']==1])
    plt.title('Decision score distribution for {}'.format(model_type))
    plt.show()

Интересно посмотреть на распределения показателей аномальности для разных методов. Видно, что LOF действительно работает плохо для этих данных. У ЕЕ есть точки, которые алгоритм считает крайне аномальными. Тем не менее, туда попадают и нормальные точки. У IsoFor и OCSVM видно, что важен выбор порога отсечения (contamination/nu), который будет менять trade-off между точностью и полнотой.

Логично, что показания датчиков имеют близкое к нормальному распределение, вблизи стационарных значений. Если у нас действительно есть размеченная тестовая выборка, а лучше еще и валидационная, то можно значение contamination оттюнить. Дальше уже вопрос, на какие ошибки ориентироваться больше: ложноположительные или ложноотрицательные?

Результат LOF совсем низкие. Не очень впечатляет. Но вспомним, что на вход у нас идут OHE переменные наравне с переменными преобразованными StandardScaler’ом. А расстояния по умолчанию евклидовы. А вот если посчитать только по S1 и S2 переменным, то ситуация выправляется и результат получается сравним с другими методами. Важно, тем не менее, понимать, что один из ключевых параметров перечисленных метрических классификаторов — число соседей. Оно значительно влияет на качество, и его необходимо тюнить. Саму метрику расстояния тоже хорошо бы подбирать.

Теперь попробуем совместить две модели. В начале одной уберем аномалии из обучающей выборки. А потом на более «чистой» обучающей выборке обучим OCSVM. По предыдущем результатам наибольшую полноту мы наблюдали у EE. Очищаем обучающую выборку через EE, тренируем OCSVM на ней и получаем F1 = 0.50, Точность = 0.34, полнота = 0.95. Не впечатляет. Вот только мы же задались nu = 0.27. А данные у нас более или менее «чистые». Если предположить, что на обучающей выборке полнота у EE будет такой же, то ошибок останется 5%. Зададимся таким nu и получим F1 = 0.69, Точность = 0.59, полнота = 0.82. Отлично. Важно отметить, что в других методах такое совмещение не прокатит, поскольку они подразумевают, что в обучающей выборке и тестовой число аномалий одинаково. При обучении этих методов на чистом тренировочном дата-сете придется задавать contamination меньше, чем в реальных данных, и не близкий к нулю, но лучше его подбирать на кросс-валидации.

Интересно посмотреть на результат поиска на последовательности показаний:

На рисунке показан отрезок показаний первого и второго датчиков для 7 компонент. В легенде цвет соответствующих ошибок (начало и конец показаны вертикальными линиями одного цвета). Точками обозначены предсказания: зеленым — верные предсказания, красным — ложноположительные, фиолетовым — ложноотрицательные. Из рисунка видно, что визуально определить время ошибок сложно, а алгоритм справляется с этой задачей достаточно хорошо. Хотя важно понимать, что показания третьего датчика тут не приведены. Кроме того, есть ложноположительные показания после окончания ошибки. Т.е. алгоритм видит, что там тоже ошибочные значения, а мы разметили эту область как безошибочную. Справа на рисунке видна область перед ошибкой, которую мы разметили как ошибочную (за полчаса до ошибки), которая распознана как безошибочная, что приводит к ложноотрицательным ошибкам модели. В центре рисунка виден связный кусок, распознанный как ошибка. Вывод можно сделать следующий: при решении задачи поиска аномалий нужно плотно взаимодействовать с инженерами, понимающими суть работы систем, выход их строя которых нужно предсказывать, поскольку проверка используемых алгоритмов на разметке не до конца отражает реальность и не моделирует условий, в которых такие алгоритмы могли бы использоваться.

Код для отрисовки графика:

def plot_time_course(df_test,dfc,y_preds,start,end,vert_shift=4):
    plt.figure(figsize=(15,10))
    cols=df_train.filter(regex=('S[12]')).columns
    add=0
    preds_idx=y_preds.iloc[start:end][y_preds[0]==1].index
    true_idx=df_test.iloc[start:end,:][df_test['Label']==1].index
    tp_idx=set(true_idx.values).intersection(set(preds_idx.values))
    fn_idx=set(true_idx.values).difference(set(preds_idx.values))
    fp_idx=set(preds_idx.values).difference(set(true_idx.values))
    xtime=df_test['Time'].iloc[start:end]
    for col in cols:
        plt.plot(xtime,df_test[col].iloc[start:end]+add)
        plt.scatter(xtime.loc[tp_idx].values,df_test.loc[tp_idx,col]+add,color='green')
        plt.scatter(xtime.loc[fn_idx].values,df_test.loc[fn_idx,col]+add,color='violet')
        plt.scatter(xtime.loc[fp_idx].values,df_test.loc[fp_idx,col]+add,color='red')
        add+=vert_shift
    failures=dfc[(dfc['Start Time']>xtime.iloc[0])&(dfc['Start Time']<xtime.iloc[-1])]
    unique_fails=np.sort(failures['Type'].unique())
    colors=np.array([np.random.rand(3) for fail in unique_fails])
    for fail_idx in failures.index:
        c=colors[np.where(unique_fails==failures.loc[fail_idx,'Type'])[0]][0]
        plt.axvline(failures.loc[fail_idx,'Start Time'],color=c)
        plt.axvline(failures.loc[fail_idx,'End Time'],color=c)
    leg=plt.legend(unique_fails)
    for i in range(len(unique_fails)):
        leg.legendHandles[i].set_color(colors[i])

Если процент аномалий ниже 5% и/или они плохо отделяемы от «нормальных» показателей, вышеперечисленные методы работают плохо и стоит использовать алгоритмы на основе нейронных сетей. В самом простом случае это будут:

• автоэнкодеры (высокая ошибка обученного автоэнкодера будет сигнализировать об аномальности показания);
• рекуррентные сети (учится по последовательности предсказывать последнее показание. Если отличие большое — точка аномальная).

Отдельно стоит отметить специфику работы с временными рядами. Важно понимать, что большинство вышеперечисленных алгоритмов (кроме автоэнкодеров и изолирующего леса) скорее всего будут давать худшее качество при добавлении лаговых признаков (показаний за предыдущие моменты времени).

Попробуем добавить лаговые признаки в нашем примере. В описании соревнования говорится, что значения за 3 часа до ошибки уже с ошибкой никак не связаны. Тогда добавим признаки за 3 часа. Итого 259 признаков.

В итоге у OCSVM и IsolationForest результаты почти не изменились, а у  Elliptic Envelope и LOF упали.

Для использования информации о динамике системы, следует использовать автоэнкодеры с рекуррентными или со сверточными нейронными сетями. Или же, например, сочетание автоэкодеров, сжимающих информацию, и обычных подходов поиска аномалий на основе сжатой информации. Перспективным представляется и обратный подход. Первичный отсев наиболее нехарактерных точек стандартными алгоритмами, а затем обучение автоэнкодера уже на более чистых данных.

Источник

Существует набор методик для работы с одномерными временными рядами. Все они нацелены на предсказания будущих показаний, а аномалиями считаются точки, расходящиеся с предсказанием.

Модель Хольта-Уинтерса

Тройное экспоненциальное сглаживание, раскладывает ряд на 3 компоненты: уровень, тренд и сезонность. Соответственно, если ряд представим в таком виде, метод работает хорошо. Facebook Prophet действует по похожему принципу, но сами компоненты оценивает по-другому. Подробнее можно почитать, например, здесь.

S(ARIMA)

В этом методе предсказательная модель строится на авторегрессии и скользящем среднем. Если речь идет о расширении S(ARIMA), то позволяет и оценивать сезонность. Подробнее о подходе можно прочитать здесь, здесь и здесь.

Другие подходы в предиктивном обслуживании

Когда речь идет о временных рядах и присутствует информация о временах возникновения ошибок, можно применять методы обучения с учителем. Помимо необходимости размеченных данных в этом случае важно понимать, что предсказание ошибки будет зависеть от природы ошибки. Если ошибок много и разной природы, скорее всего нужно будет предсказывать каждую по отдельности, что потребует еще больше размеченных данных, но и перспективы будут привлекательнее.

Есть и альтернативные способы использования машинного обучения в предиктивном обслуживании. Например, предсказание выхода системы из строя в ближайшие N дней (задача классификации). Важно понимать, что такой подход требует, чтобы возникновению ошибки в работе системы предшествовал период деградации (необязательно постепенной). При этом наиболее удачным подходом представляется использование нейросетей со сверточными и/или рекуррентными слоями. Отдельно стоит отметить методы по аугментации временных рядов. Мне наиболее интересными и одновременно простыми представляются два подхода:

• выбирается непрерывная часть ряда (например, 70%, а остальное убирается) и растягивается до изначального размера
• выбирается непрерывная часть ряда (например, 20%) и растягивается или сжимается. После этого весь ряд соответственно сжимается или растягивается до изначального размера.

Ещё есть вариант с предсказанием оставшегося времени жизни системы (задача регрессии). Здесь можно выделить отдельный подход: предсказание не времени жизни, а параметров распределения Вейбулла.

Про само распределение можно почитать здесь, а здесь про использование его в связке с рекуррентными сетками.  У этого распределения два параметра α и β. α говорит о том, когда произойдет событие, а β — о том, насколько алгоритм в этом уверен. Хотя применение такого подхода перспективно, возникают трудности при обучении нейронной сети в этом случае, поскольку алгоритму вначале легче быть неуверенным, чем предсказывать адекватное время жизни.

Отдельно стоит отметить регрессию Кокса. Она позволяет предсказывать отказоустойчивость системы для каждого момента времени после диагностики, представляя его в виде произведения двух функций. Одна функция представляет собой деградацию системы, не зависимую от ее параметров, т.е. общую для любых таким систем. А вторая — экспоненциальную зависимость от параметров конкретной системы. Так для человека есть общая функция, связанная со старением, более менее одинаковым для всех. Но ухудшение здоровья связано и с состоянием внутренних органов, которое у всех разное.

Надеюсь, теперь вы знаете о предиктивном обслуживании чуть больше. Уверен, у вас появятся вопросы, касательно методов машинного обучения, которые чаще всего используются для этой технологии. Я буду рад ответить на каждый из них в комментариях. Если вам интересно не просто спросить о написанном, а хочется заниматься чем-то подобным, наша команда в CleverDATA всегда рада талантливым и увлеченным профессионалам.

Даже новички, что пробыли в Зоне совсем недолго, понимают, зачем нужны артефакты. Они дают дополнительную защиту или скорость, влияют на восстановление и переносимый вес и, конечно, стоят денег.

И вот, новичок стоит перед аномалией, в руках детектор и болты, и… он не понимает, что с этим делать. Так как искать артефакты в Сталкере Зов Припяти? Об этом и расскажет эта статья.

Как найти артефакты в Сталкер Зов Припяти

1. Выбор аномалии

К выбору аномалии нужно подходить с умом. Первое, что необходимо сделать – адекватно оценить свои силы. На начальном этапе не стоит соваться в опасные и комплексные аномалии, ведь вы не только не сможете забрать артефакт, но и вряд ли выберетесь живым. Они отмечены на карте каждой локации в ПДА и имеют уникальное название, но для начала лучше выбрать что-то попроще.

Самыми простыми в плане предварительной подготовки можно назвать гравитационные аномалии. Если они не находятся в составе архианомалий и местность вокруг не «фонит» слишком сильно, то сталкеру нужна только ловкость и внимательность. Ко всем остальным лучше подготовиться заранее: запастись аптечками, антирадиационными препаратами, бронёй с лучшим уровнем защиты и артефактами, восстанавливающими здоровье.

2. Поиск артефакта

Аномалия выбрана, подготовка завершена, но как искать артефакты? Конечно, при помощи детекторов. В Зове Припяти их четыре вида. Первый, который есть у главного героя с начала игры – детектор «Отклик», самый простой и несовершенный. Он пищит и мигает индикатором при приближении к артефакту и реагирует только на самые распространённые, например, «Ломоть мяса», «Медузу» и «Кровь камня».

Второй детектор – «Медведь» – уже более полезный, но всё равно устаревший. Его можно найти, получить за выполненную миссию или купить. «Видит» он уже больший спектр артефактов, но далеко не все. Имеет круглый дисплей, на котором показывает направление к нужному месту.

Третий детектор, «Велес» – современная модель, определяющая точное расположение артефактов. Детектор точкой на «радаре» обозначит расположение искомой диковинки, и вам останется только плавно двигаться в направлении к ней. Сам «Велес» чаще можно получить в награду за выполненное задание или из тайников, у торговцев же он появляется редко.

Последнее устройство – «Сварог» — всего лишь прототип, улучшение для «Велеса», но какое полезное. Детектор распознаёт типы всех артефактов и аномалий, и отображает их точное расположение на дисплее, что позволяет спокойно обходить все «очаги», и даже отстреливать надоедливых мутантов из пистолета. Первое время достать его можно по заданию, но при получении достижения «Научный сотрудник» детектор появится в продаже у Германа.

Теперь, когда с видами устройств разобрались, можно описать механику действий. Она проста: достаёте детектор и «прощупываете» путь через аномалию с помощью болтов. Если вы – счастливый обладатель «Сварога», то просто обходите отмеченные на дисплее «очаги». Тут есть свои нюансы. Некоторые виды, вроде «Жарки» или «Электры», «разряжаются» броском и пробегаются. Некоторые можно только «просмотреть», выяснить опасный центр, чтобы его обойти, как с «Воронкой» или «Каруселью». В архианомалиях будет тяжело даже обладателю «Сварога» – из-за разнообразия аномалий там происходит абсолютный хаос – так что тут поможет только хорошее знание Зоны.

3. Как подобрать артефакт

И вот, вы обошли все ловушки аномалии, детектор в руке пищит и мигает, а перед вами возник долгожданный артефакт. Что делать? Всё просто – подбираете его, нажав кнопку действия (по умолчанию [F]), когда он становится активен, и аккуратно уходите из аномалии. Теперь, когда артефакт ваш, осталось только использовать его – продать или надеть на себя, «впитывая» полезные свойства и радиацию.

Заключение

В этой статье мы рассказали, как находить артефакты в Сталкере Зов Припяти, и вы успешно смогли «зачистить» первую аномалию. Новый артефакт в ней появится только после выброса, а пока можно посетить и другие. Теперь у вы знаете о детекторах и имеете необходимый опыт – удачи в их применении и новых вылазках!

Аномалия Киммерли (Киммерле) считается пороком развития в области соединения черепа и первого шейного позвонка. При этой мальформации на позвонке имеется дополнительная дужка из костной ткани, которая нарушает подвижность и может провоцировать сдавление позвоночной артерии.

Ранее считалось, что подобный дефект развития позвонка есть примерно у 10% людей, однако широкое использование рентгенодиагностики и МРТ позволяет выявлять его значительно чаще: по некоторым данным порок имеют до 30% жителей планеты.

Врожденные костные аномалии встречаются намного реже заболеваний позвонков, развивающихся в процессе жизни. Всем известный остеохондроз, остеофиты, дегенерация связочного аппарата в большой степени способствуют вторичным изменениям каналов позвонков, в результате чего страдают сосуды и нервы. В этой связи патология позвоночного столба, как основа формирования приобретенной аномалии Киммерли, заслуживает должного внимания со стороны специалистов.

Аномалия Киммерли (вверху), в норме (внизу) – дополнительная дужка в зоне прохождения позвоночной артерии на позвонке c1 отсутствует

Проявления аномалии Киммерли чрезвычайно разнообразны. В их основе – нарушение движения крови по позвоночной артерии к головному мозгу. Особенно выражена симптоматика при наклонах, поворотах, запрокидывании головы, когда имеющаяся дополнительная дужка ограничивает пространство, в котором проходит сосуд. Симптомы могут появиться внезапно при спортивных тренировках, подъемах тяжести, на фоне полного благополучия.

Мальформацию первого шейного позвонка не считают самостоятельной болезнью, и далеко не всегда она проявляется какими-либо признаками. Клиника синдрома позвоночной артерии вызвана именно аномалией Киммерли только у четверти больных, у остальных же о патологии неизвестно или же она выявляется случайно, при обследовании на иные заболевания.

Причины и разновидности аномалии Киммерли

Причины аномального развития первого шейного позвонка точно не установлены. Это врожденный порок, который формируется еще во время эмбрионального развития. Возможно, неблагоприятное влияние оказывают внешние факторы, вредные привычки, инфекции у беременной женщины. Обычно порок обнаруживается случайно, нередко – при обследовании лиц, у которых подозревают дегенеративные процессы позвоночника.

По строению добавочной дужки, выделяют полную и неполную аномалию Киммерле. Дужка может проходить от суставного отростка до дуги первого позвонка или соединять оба его отростка.

При полной аномалии Киммерле добавочная дужка образует замкнутый канал, где помещена позвоночная артерия. Этот вариант патологии сопровождается более выраженной симптоматикой и быстрейшим прогрессированием. При неполном типе порока дуга незамкнута, в виде выроста из костной ткани.

Позвоночные артерии – важные сосуды, осуществляющие питание верхнего отдела спинного, ствола и задней части головного мозга. Они отходят от подключичных и направляются вверх, в канале, который образуют поперечные отростки позвонков. Через затылочное отверстие в черепе эти сосуды попадают к мозгу.

Первый шейный позвонок (атлант) устроен своеобразно и отличается от других: в нем нет тела, а есть две дуги, в борозде задней и находится сосуд с нервным корешком. Проходя в борозде первого позвонка, артерии могут быть сдавлены из вне аномальными дужками, которые затрудняют их подвижность при поворотах и наклонах головы.

Механизм развития синдрома позвоночной артерии при пороке С1 шейного отдела состоит в механической компрессии артерии, кровь по ней при этом движется с трудом. Другим значимым фактором является раздражение нервных окончаний сосудистой стенки и ветвей симпатического сплетения.

Клиника нарушения кровотока по позвоночной артерии часто возникает при наличии отягчающих факторов:

• Атеросклеротические изменения;
• Воспаление стенки артерии;
• Дегенеративные процессы в позвоночнике (остеохондроз);
• Травмы черепа и позвоночника;
• Артериальная гипертензия.

В группе риска по клинически значимой аномалии Киммерле – люди с отягощенной наследственностью в отношении костных пороков, а также те, кто страдает остеохондрозом.

Чаще, чем врожденный дефект, нарушение кровотока по позвоночным артериям провоцируют приобретенные изменения, тогда говорят о приобретенной аномалии Киммерли. В ее основе лежат дегенеративные процессы в атлантозатылочной связке, которая подвергается обызвествлению или окостенению. Новообразованная плотная ткань прочно фиксируется с дужкой атланта, и таким образом образуется ограниченный канал, содержащий позвоночную артерию.

Симптоматика аномалии Киммерли

Признаки синдрома Киммерли вызваны недостатком крови, притекающей к мозгу, что особенно выражено при движениях головой, подъеме тяжестей в вытянутых руках, определенных физических упражнениях. Среди симптомов возможны:

1. Ощущение слышимого шороха, шум, хруст в ушах;
2. Потемнение, «мушки», «пелена» перед глазами, дискомфорт в глазных яблоках;
3. Неловкость движений и неуверенность походки;
4. Слабость мышц;
5. Головокружение;
6. Обморочные состояния.

Часто главной жалобой пациента с гемодинамически выраженной аномалией Киммерли становится сильная головная боль, жгучая, иногда – пульсирующая, которая ограничена задней частью головы. Боль затрудняет жизнедеятельность, мешает выполнению трудовых обязанностей, нарушает сон и эмоциональное состояние. Малейшее движение головой может вызвать усиление болезненных ощущений, но некоторые больные находят такое положение, при котором достигается наименьшая компрессия сосудов, и боль уменьшается.

При значительном затруднении кровообращения по сосудам, питающим мозг, появляются мозжечковые симптомы – дрожь в конечностях, расстройство координации, нистагм. Для тяжелого течения патологии характерны интенсивные головные боли, патология чувствительности и двигательные нарушения.

Критическое сужение просвета позвоночной артерии может привести к транзиторным ишемическим атакам, когда больной испытывает сильную боль в голове, кратковременные нарушения речи, движений, может потерять сознание. Самым тяжелым проявлением аномалии Киммерли считают инфаркт мозга по причине полного прекращения кровотока. Такое состояние более вероятно при имеющихся других изменениях сосудов – атеросклерозе, гипертензивной ангиопатии, васкулите.

Резкое ухудшение самочувствия, появление сильной тошноты и рвоты, зрительные расстройства, нарушения координации движений и мышечного тонуса должны быть поводом к немедленному обращению за помощью, поскольку могут говорить об инсульте.

Диагностика и лечение синдромов, связанных с аномалией Киммерли

Диагностика аномалии Киммерли включает целый комплекс исследований, но перед врачом обычно стоит задача не только обнаружить или исключить аномальный вариант развития позвонков, но и доказать, что именно этот порок провоцирует симптоматику. Часто диагноз симптомной аномалии Киммерли ставится путем исключения все других возможных причин патологии кровотока в голове.

Когда пациент с признаками нарушения кровообращения в вертебро-базилярном отделе приходит к врачу, тот первым делом направляет на рентгенологическое исследование позвоночника и головы. Метод доступен, прост и, вместе с тем, дает достаточный объем информации о состоянии позвонков.

Шум в ушах и другие слуховые расстройства требуют консультации ЛОР-врача, ведь симптомы могут быть связаны с патологией самого уха (воспалительные процессы). Больному проводят осмотр, исследуют слух, состояние вестибулярного аппарата.

Чтобы убедиться, что симптомы вызывает именно аномалия Киммерли, нужно исключить вероятность аневризм, тромбозов, опухолей головного мозга. Для этого проводят КТ, МРТ мозга с контрастным усилением.

Состояние кровеносного русла, уровень компрессии артериальных стволов и характер гемодинамики помогают установить УЗИ
с допплерометрией, МР-ангиография, дуплексное сканирование.

Лечение проявлений аномалии Киммерли обычно консервативное, и только в тяжелых случаях рассматривается необходимость хирургической коррекции патологии кровотока.

Пациентов, у которых порок атланта выявлен случайно и не вызывает расстройств гемодинамики, лечить не нужно, достаточно периодического наблюдения. В то же время, эти лица должны быть осведомлены о некоторых правилах образа жизни, чтобы не допустить пережатия позвоночных артерий. Так, им следует избегать резких движений головой, чрезмерных физических перегрузок, спортивных занятий, которые могут сопровождаться травмами головы. Крайне не рекомендуется стоять на голове и кувыркаться, врач может посоветовать отказаться от спортивной гимнастики, фитнеса, различных видов борьбы.

При желании человека с бессимптомной аномалией Киммерли пройти курс массажа или мануальной терапии, специалист, проводящий процедуры, должен знать о такой особенности строения позвонков.

Медикаментозную терапию назначает врач невролог. Она включает:

• Сосудистые препараты, помогающие улучшить кровоток, снять спазм с сосудов – сермион, винпоцетин, актовегин, стугерон;
• Средства, улучшающие микроциркуляцию и реологические параметры крови – трентал, пентоксифиллин;
• Лекарства, улучшающие обменные процессы в мозге, препятствующие гипоксии, антиоксиданты – витамины группы В, пирацетам, милдронат, растительные средства на основе экстракта гинкго билобы.

При сильной головной боли можно принимать обезболивающие препараты – кеторол, ибупрофен, найз. Очень эффективно иглоукалывание, помогающее снять боль и нормализовать работу вегетативной нервной системы.

Для снижения тонуса мышц шеи назначается массаж, в целях фиксации шейного отдела позвоночника в правильном положении, предупреждения избыточных поворотов полезно ношение шейного бандажа. Важно, чтобы режим использования воротника Шанца был указан врачом, так как злоупотребление им чревато атрофическими и дегенеративными процессами в мышцах и позвоночнике, что еще больше может усугубить проявления патологии.

В тяжелых случаях, когда порок позвоночника приводит к выраженным расстройствам кровотока в системе мозговых сосудов, а также при неэффективности консервативной терапии показано хирургическое лечение. Операция состоит в удалении костной дуги и освобождении позвоночной артерии от сдавливания. В послеоперационном периоде назначается щадящий режим и ношение фиксирующего шейного воротника на срок до месяца.

Стоит отметить, что лечение аномалии атланта не всегда приносит желаемый результат. При консервативной терапии состояние пациента может улучшиться, кровоток станет более активным, но некоторые симптомы могут сохраниться. К примеру, шум или звон в ушах очень трудно поддаются коррекции, и многим больным приходится с ними мириться.

При эмоциональной нестабильности, раздражительности, депрессии на фоне постоянного присутствия каких-либо симптомов компрессии сосудов шеи могут применяться седативные препараты и транквилизаторы. Нередко невролог рекомендует консультацию психотерапевта.

Прогноз для жизни при аномалии Киммерли в большинстве случаев благоприятный, особенно, при отсутствии клинических проявлений и эффективности лечения минимальных расстройств кровотока.

Способов предотвратить врожденную патологию позвонков не существует, ведь никто не знает причин этого явления. Профилактика приобретенной аномалии Киммерли состоит в тех же мероприятиях, которые препятствуют остеохондрозу – активный образ жизни, укрепление мышц, борьба с гиподинамией и лишним весом.

Часто пациенты, у которых аномалия атланта была обнаружена случайно, интересуются, можно ли заниматься спортом. Физические упражнения и занятия спортом при аномалии Киммерли возможны и даже полезны, но в разумных пределах. Понятно, что про удары мяча головой во время футбольного матча или укладывание штанги на шею речь идти не может категорически, но не запрещены бассейн, бег, катание на роликах, гимнастика. При занятиях стоит соблюдать осторожность – не делать резких движений головой, избегать ударов, а перед тем, как начать посещать конкретные спортивные секции, лучше проконсультироваться с врачом.

Аномалии в игре Assassin’s Creed Valhalla – это небольшие испытания, такая своеобразная вариация внедрения современности в основной игровой процесс без разрыва с повествованием.

Аномалии, а точнее кадры и аудиозаписи, которые мы видим по прохождению каждой, призваны раскрыть нам настоящую историю Ису, показывая их расцвет и падение.

Всего в игре 10 аномалий и если собрать их все, то можно разблокировать секретную катсцену, которую мы также опубликуем в конце настоящей статьи.

Аномалии разбросаны по большинству территорий в игре, а для вашего удобства разделили их по мере посещения при прохождении основной сюжетной линии.

Ледечестершир

Юго-западнее точки синхронизации «Застава Рагнарссонов» аномалия «Кильдесбиг»

Бегите прямо пока не достигнете первого нестабильного блока. Используйте световой луч для стабилизации на прожекторе справа на платформе.

Заберитесь наверх, перед вами будет два нестабильных блока. Стабилизируйте сначала один и направьте прожектор на нестабильный объект впереди, потом проделайте то же самое с прожектором на другой стороне.

На следующей этапе, сначала подойдите к прожектору слева (что в низу) и стабилизируйте ближайшую нестабильный объект. Далее, используйте прожектор справа и направьте световой луч на отражатель на платформе слева (что наверху).

Направьте свет от отражателя на второй нестабильный объект.

На финальном отрезке снова сначала держитесь левой стороны и направьте прожектор на платформу справа ближе к центру.

Доберитесь до этого прожектора и стабилизируйте объект впереди. Вернитесь к прожектору слева и стабилизируйте оставшийся объект.

Восточная Англия

Восточнее поселения «Беодриксворт» аномалия «Озеро Нидхэм»

Пробегите по воде вперёд и по руинам башни заберитесь наверх. Это одна из самых простых аномалий в игре, большую часть пути просто бегите по платформам и забирайтесь всё выше и выше.

Минуйте первый нестабильный объект, спуститесь к прожектору и стабилизируйте круглую платформу, и продолжайте подъём.

Добравшись до ещё одного прожектора направьте его луч на вторую круглую нестабильную платформу.

Останется только забраться до пакета данных.

Оксенфордшир

Северо-западнее города Люнден и неподалёку от «Аббатства святого Альбана» аномалия «Акведук»

Бегите вперёд пока не достигнете платформы. Держитесь правой стороны и спуститесь вниз.

Направьте переносной отражатель на нестабильный объект прямо под мостом и заберитесь по нему наверх.

На платформе с двумя отражателями крайний правый сдвиньте к дальнему левому углу, а левый отражатель передвиньте так чтобы отражённый луч падал именно на первый отражатель.

Вернитесь назад и стабилизируйте объект, который был установлен ранее.

Бегите вперёд, минуйте «красные движущиеся стены» и изучите пакет данных.

Широпшир

Севернее города «Глостершир» аномалия «Кварцитовый хребет»

На всех этапах прохождения этой аномалии следите за отметками о зоне опасности по каждому движущимся красному объекту-опасности.

На первом красном «брусе» подождите пока оно проплывёт под платформу, на которой вы стоите, пригните вниз и бегите вперёд.

Поднявшись наверх, поверните ближайший прожектор на соседний отражатель, а его уже направьте на разделитель.

Бегите вперёд, аккуратно преодолевая «красные блоки», и заберитесь наверх.

Здесь вас ожидает самая сложная часть пути. Сначала обратите внимание на прожектор справа и направьте его на отражатель на левой стороне.

К отражателю на левой стороне путь «охраняют» два больших красных блока. Дождитесь пока нижний уйдёт за вашу платформу, а верхний начнёт движение вправо и быстро бегите вперёд. Направьте луч на нестабильный объект впереди.

Поднявшись наверх, направьте прожектор слева на ближайшую к вам нестабильную платформу. Следующий прожектор направьте на соседний объект, а третий прожектор также направьте на объект впереди.

Вернитесь к первому прожектору и направьте его на разделитель. После чего поднимитесь наверх к последнему рывку в этой аномалии.

Поверните налево и спуститесь вниз. Дождитесь пока «красный блок» не проедет поверх вас и поднимитесь наверх.

Продвигайтесь далее, пропустите нижний блок под собой и спрыгните вниз, пробеги на противоположную сторону.

По аналогии действуйте далее и поднимитесь наверх к финальному вертикальному блоку.

Подождите пока «лицевой» «красный блок» не спуститься вниз и не начнёт подниматься, и сразу следуйте за ним. На 5 уступе уходите в сторону, чтобы блок вас не зацепил.

Суссекс

Южнее города «Кроли» аномалия «Севей-Систерс»

Начните спуск вниз, избегая контакта с «красными блоками» пока не достигнете платформы. Поверните направо и следуйте далее.

Заберитесь наверх и с помощью прожектора слева стабилизируйте нестабильный движущийся объект внизу примерно на уровне платформы, чтобы запрыгнуть на него.

Спуститесь вниз и начните длинный спуск между «коридором красных блоков», смещаясь в сторону от них.

Продвигайтесь вперёд. На этапе с узкой тропой и четырьмя «красными блоками» дождитесь удобного момента и пробегите. Постарайтесь подойди практически вплотную к ним, так как время на рывок будет мало.

На следующем спуске ориентируйтесь на положение ближайшего красного блока, и когда его верхняя часть практически вся уйдёт вниз, начните спуск.

Далее, стабилизируйте объект на уровне платформы, чтобы иметь возможность запрыгнуть на неё.

Останется только пробежать вперёд и завершить изучение аномалии.

Линкольншир

Между «Ботольсфотоном» и «Аббатством Мидехэмстеда» аномалия «Руины Базилики»

Бегите вперёд и направьте первый прожектор на отражатель, который в свою очередь разверните в сторону разделителя.

Поднимитесь к прожектору с левой стороны и направьте на нестабильный объект справа, заберитесь к прожектору и направьте его уже на нестабильную платформу впереди.

Пробегите по ней до отражателя и разверните его так, чтобы он смотрел на нестабильный объект вверху. Вернитесь назад и верните расположение луча на прожекторе.

Заберитесь по руинам наверх и просто поднимайтесь к пакету с данными.

Йорвикшир

Севернее города «Йорвик» аномалия «Ториборо-Хэнджис»

Бегите вперёд и стабилизируйте объект в центре чтобы забраться наверх. Особой разнице в том, какую сторону выбрать нет, мы начали справа.

По движущимся платформам перебегите к прожектору и направьте его на разделитель. Направьте его таким образом, чтобы стабилизировать две платформы сверху. Заберитесь наверх к прожектору и направьте его таким образом, чтобы движущийся нестабильный объект развернулся к основной платформе стороной, где есть зацепы для подъёма.

Отправляйтесь в противоположную сторону, где на узком блоке вращаются две красные стены. Чтобы их пройти внимательно посмотрите на отметки на блоке, указывающие зону покрытия.

Подойдите к красной стене максимально близко и как только она начнёт движения от вас и расчистит дорогу, быстро бегите вперёд и буквально за шаг до стены повисните на руках. Дальше просто аккуратно бегите вперёд.

Направьте луч на разделитель и заберитесь на платформу слева. Направьте прожектор на правую нестабильную платформу, чтобы пробежать по ней к противоположному прожектору.

Его направьте на круглый объект в центре, вернитесь к левому прожектору и его уже направьте на второй объект, чтобы забраться наверх.

Направьте прожектор на движущийся нестабильный объект и зафиксируйте его таким образом, чтобы также иметь возможность подняться наверх.

Заберитесь наверх к движущимся по кругу платформам. На первой красной стене – повисните справой стороны платформы, на второй – с левой стороны, на третьей – пригнитесь или оставайтесь висеть сбоку.

Прыгните к центральной колбе и аккуратно поднимитесь наверх, дожидаясь, когда быстро движущиеся красные блоки проплывут мимо.

Сноттингемшир

Юго-западнее города «Сноттингема» аномалия «Бридон-он-Хилл»

Бегите вперёд и заберитесь наверх по руинам башни. На длинной платформе есть преграда, помеченная красным, справа от неё прожектор, слева отражатель.

Передвиньте отражатель слева в противоположный край платформы и направьте на него луч прожектора. Луч отражателя (не стабильный (!)) уже направьте на нестабильный объект впереди.

Быстро поднимитесь наверх на круглую платформу. Передвиньте отражатель справа на противоположную сторону, чтобы луч отражался на нестабильный объект слева. Доберитесь теперь до прожектора и направьте его луч на соседнюю нестабильную платформу. Верните отражатель на место (в правую сторону) и пробегите по уже стабильной платформе.

Направьте его луч на высокий объект в центре. Заберитесь наверх на следующую круглую платформу.

Здесь снова будут два прожектора. Разверните их и направьте на нестабильные объекты. Заберитесь по ним наверх до отражателя. Передвиньте его в центр и немного правее (если стоять лицом к основному объекту), чтобы отразить луч на нестабильную платформу в центре.

Спуститесь вниз и верните лучи прожектора на место и заберитесь на самый верх, пережидая на стабильных блоках возможность продвинуться дальше.

Хордафюльке

Севернее точки обзора «Скала Тортхаттен» аномалия «Хлутрхольт»

Основная задача здесь – это найти закономерность и нужный момент для рывка, когда две разнонаправленные «красные стены» начнут своё движение.

Бегите вперёд, перепрыгивая то в одну сторону, то в другую, пока не дойдёте до первого прожектора. Стабилизируйте платформу и поднимитесь наверх.

Продолжайте продвигаться вперёд до участка со следующими прожекторами.

Правым ближним прожектором стабилизируйте движущуюся платформу в точке, где находится второй прожектор и доберитесь до него с помощью другой стабильной движущейся платформы.

Этим прожектором стабилизируйте дальний нестабильный объект, вернитесь назад и первым прожектором стабилизируйте движущуюся платформу по ходу движения.

Дальше вас ожидают две быстро движущиеся в разных направлениях красные стены. Ваша первая задача добраться до безопасного столба чуть дальше середины пути.

Спрыгните с него в тот момент, когда одна из стен не пройдёт вперёд мимо вас, после чего отойдите в противоположную сторону, пропуская её и сразу вернитесь обратно, так как в спину вам уже будет дышать вторая стена, вернувшаяся назад. Далее, продвигайтесь вперёд.

Используя прожектор справа, направьте луч на область на уровне платформы выше с «красными стенами», стабилизируя тем самым объект на нужном расстоянии.

Поднимитесь наверх для финального рывка. Здесь вас ожидает подобие огненной стены или взрывной волны.

Чуть дальше середины есть два «столба безопасности». Дождитесь пока «волна» не докатиться до вас и бегите вперёд, сначала до первого столба, потом до второго.

Спрыгните со второго в том момент, когда «волна» будет подходить к столбу и бегите вперёд. Если времени добежать да данных не хватает, возьмите за основу, что на преодоление этого расстояния Лейле/Басиму требуется 5-6 секунд и рассчитаться в соответствии с этим время рывка.

Хамптуншир

Остров Уайт аномалия «Нидлс»

Это одна из самых сложных аномалий. Особую опасность здесь представляет «красная волна», которая захватывает солидную долю всего пути к данным, накатывая с определённой периодичностью.

Бегите вперёд и доберитесь до скалы, пропуская под собой «красную волну-опасности» и двигайтесь далее до следующего безопасного участка скалы.

Продолжайте подъём пока не доберётесь до двойного спуска – это самый опасный участок пути.

Дождитесь пока «волна» не начнёт свой путь и тогда спускайтесь вниз, на третьей горке при приближении к пропасти прыгните вправо, оббегите участок и поднимитесь наверх пока волна не вернулась и не накрыла вас.

На следующем этапе не спешите и снова дождитесь пока волна не пройдёт мимо вас. Когда она прокатит дальше, и платформа впереди будет стабильна встаньте так, чтобы при падении оказаться прямо на горке/спуске.

Бегите вперёд и заберитесь на небольшой столб-безопасности, который позволит избежать волны.

Поднимитесь на скалу и следуйте вперёд до следующего не менее сложного этапа.

Разверните разделить таким образом, чтобы он стабилизировал два нестабильных блока с правой стороны и поднимитесь по ним.

Направьте прожектор на ближайший нестабильный объект, спуститесь вниз и разверните разделить таким образом, чтобы он зафиксировал левый нестабильный объект в нижней его точке и правую платформу.

Поднимитесь наверх и с помощью прожектора зафиксируйте платформу для последующего подъёма.

Осталось совсем немного. Подождите пока «красная круглая платформа» не начнёт свой подъём и бегите вперёд до небольшого «островка» безопасности.

Поднявшись наверх дождитесь, когда «красный круг» начнёт спуск и минует вас и бегите вперёд, после чего прыгните на уступ и сразу перейдите за угол в безопасное место.

Не спешите подниматься, а дождитесь, когда «красный круг» пойдёт вниз. Продолжайте следить за его движением и когда он приблизится снова повисните на платформе.

Останется только добежать до данных и посмотреть секретную катсцену.

Секретная катсцена

То, что сейчас предстанет перед вашими глазами проливает свет на некоторые вопросы из основного сюжета, а также повторяет то, что мы увидели по завершению цепочек заданий в «Асгарде» и «Ётунхейме», точнее наоборот, то что мы увидели там, повторяет произошедшее с Ису.