論文の概要: Data-Driven Construction of Data Center Graph of Things for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2004.12540v1
• Date: Mon, 27 Apr 2020 01:54:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 04:55:41.461280
• Title: Data-Driven Construction of Data Center Graph of Things for Anomaly Detection
• Title（参考訳）: 異常検出のためのデータ駆動型データセンタグラフの構築
• Authors: Hao Zhang, Zhan Li, Zhixing Ren
• Abstract要約: データセンター(DC)にはIT機器と設備機器の両方が含まれており、DCの運用には高品質な監視システムが必要である。 DCモニタリングシステムのためのコンピュータルームには多くのセンサーがあり、それらは本質的に関連しています。 本研究は,センサの時系列測定から,物体の直流グラフ(センサグラフ)を構築するためのデータ駆動パイプラインを提案する。
• 参考スコア（独自算出の注目度）: 5.160640187262777
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data center (DC) contains both IT devices and facility equipment, and the operation of a DC requires a high-quality monitoring (anomaly detection) system. There are lots of sensors in computer rooms for the DC monitoring system, and they are inherently related. This work proposes a data-driven pipeline (ts2graph) to build a DC graph of things (sensor graph) from the time series measurements of sensors. The sensor graph is an undirected weighted property graph, where sensors are the nodes, sensor features are the node properties, and sensor connections are the edges. The sensor node property is defined by features that characterize the sensor events (behaviors), instead of the original time series. The sensor connection (edge weight) is defined by the probability of concurrent events between two sensors. A graph of things prototype is constructed from the sensor time series of a real data center, and it successfully reveals meaningful relationships between the sensors. To demonstrate the use of the DC sensor graph for anomaly detection, we compare the performance of graph neural network (GNN) and existing standard methods on synthetic anomaly data. GNN outperforms existing algorithms by a factor of 2 to 3 (in terms of precision and F1 score), because it takes into account the topology relationship between DC sensors. We expect that the DC sensor graph can serve as the infrastructure for the DC monitoring system since it represents the sensor relationships.
• Abstract（参考訳）: データセンター(dc)はit機器と設備機器の両方を含み、dcの運用には高品質の監視(異常検知)システムが必要である。 dc監視システムのコンピュータルームには多くのセンサーがあり、それらは本質的に関連している。 本研究は,センサの時系列測定から直流グラフ(センサグラフ)を構築するためのデータ駆動パイプライン(ts2graph)を提案する。 センサグラフは、センサがノードであり、センサーの特徴がノード特性であり、センサ接続がエッジである、非方向の重み付きプロパティグラフである。 センサノード特性は、元の時系列ではなく、センサイベント(挙動)を特徴付ける特徴によって定義される。 センサ接続(エッジウェイト)は、2つのセンサ間の同時イベントの確率によって定義される。 プロトタイプのグラフは、実際のデータセンターのセンサー時系列から構築され、センサー間の有意義な関係を明らかにすることに成功している。 異常検出に直流センサグラフを用いることを実証するために,グラフニューラルネットワーク(GNN)と,合成異常データに対する既存の標準手法の性能を比較した。 GNNは、直流センサ間のトポロジの関係を考慮して、既存のアルゴリズムを2から3(精度とF1スコア)で上回っている。 我々は,直流センサグラフがセンサ関係を表すため,直流監視システムの基盤となることを期待する。

関連論文リスト

• Data-Induced Interactions of Sparse Sensors [3.050919759387984]
  トレーニングデータによって引き起こされるセンサインタラクションの全体像を熱力学ビューで計算する。 これらのデータによって引き起こされるセンサーの相互作用をマッピングすることで、外部選択基準と組み合わせ、センサーの代替効果を予測することができる。
  論文  参考訳（メタデータ） (2023-07-21T18:13:37Z)
• Self-Supervised Anomaly Detection of Rogue Soil Moisture Sensors [2.374304682010306]
  センサーは、時間の経過とともに誤った測定を行うときに、ローグと見なされる。 既存の方法は、よく動くセンサーが知られているか、ほとんどのセンサーがよく動くと仮定している。 コントラスト損失を有するニューラルネットワークを用いた自己制御型異常センサ検出器をDBSCANに次いで提案する。
  論文  参考訳（メタデータ） (2023-05-09T14:47:16Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Radar Voxel Fusion for 3D Object Detection [0.0]
  本稿では,3次元物体検出のための低レベルセンサ融合ネットワークを開発する。 レーダーセンサーの融合は、雨や夜景のような裂け目状態において特に有益である。
  論文  参考訳（メタデータ） (2021-06-26T20:34:12Z)
• Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
  オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。 このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。 その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
  論文  参考訳（メタデータ） (2021-02-02T15:44:39Z)
• Ant Colony Inspired Machine Learning Algorithm for Identifying and Emulating Virtual Sensors [0.0]
  他のセンサーに基づいて特定のセンサーの出力をエミュレートすることが可能である。 読み出しをエミュレートできるセンサーのサブセットを特定するために、センサーはクラスタにグループ化されなければならない。 本稿では,このようなシステムにおける仮想センサを実現するために,エンドツーエンドのアルゴリズムソリューションを提案する。
  論文  参考訳（メタデータ） (2020-11-02T09:06:14Z)
• Deep Phase Correlation for End-to-End Heterogeneous Sensor Measurements Matching [12.93459392278491]
  不均一なセンサ計測に適合するエンド・ツー・エンドのディープ位相相関ネットワーク(DPCN)を提案する。 主なコンポーネントは、学習可能な特徴抽出器にポーズエラーをバックプロパゲートする、微分可能な相関ベースの推定器である。 解釈可能なモデリングにより、ネットワークは軽量化され、より良い一般化が期待できる。
  論文  参考訳（メタデータ） (2020-08-21T13:42:25Z)
• Learning Camera Miscalibration Detection [83.38916296044394]
  本稿では,視覚センサ,特にRGBカメラの誤校正検出を学習するためのデータ駆動型アプローチに焦点を当てた。 コントリビューションには、RGBカメラの誤校正基準と、この基準に基づく新しい半合成データセット生成パイプラインが含まれる。 深層畳み込みニューラルネットワークをトレーニングすることにより、カメラ固有のパラメータの再校正が必要か否かを判断するパイプラインの有効性を実証する。
  論文  参考訳（メタデータ） (2020-05-24T10:32:49Z)
• GPS-Net: Graph Property Sensing Network for Scene Graph Generation [91.60326359082408]
  シーングラフ生成(SGG)は、画像内のオブジェクトとそれらのペア関係を検出することを目的としている。 GPS-Netは、エッジ方向情報、ノード間の優先度の差、長期にわたる関係の分布という、SGGの3つの特性を網羅している。 GPS-Netは、VG、OI、VRDの3つの一般的なデータベース上での最先端のパフォーマンスを、さまざまな設定とメトリクスで大幅に向上させる。
  論文  参考訳（メタデータ） (2020-03-29T07:22:31Z)
• Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
  本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。 我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。 実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T10:51:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。