論文の概要: Real-Time Anomaly Detection in Data Centers for Log-based Predictive
Maintenance using an Evolving Fuzzy-Rule-Based Approach
- arxiv url: http://arxiv.org/abs/2004.13527v1
- Date: Sat, 25 Apr 2020 21:19:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 21:25:01.841542
- Title: Real-Time Anomaly Detection in Data Centers for Log-based Predictive
Maintenance using an Evolving Fuzzy-Rule-Based Approach
- Title（参考訳）: 進化的ファジィルールを用いたログベース予測保守のためのデータセンターにおけるリアルタイム異常検出
- Authors: Leticia Decker, Daniel Leite, Luca Giommi, Daniele Bonacorsi
- Abstract要約: 我々は、ジュネーブの大型ハドロン衝突型加速器(LHC)における高エネルギー物理実験を支援するイタリアの核物理学研究所(INFN)のTier-1データセンターに焦点を当てた。
そこで本稿では,スライディングタイムウィンドウに基づくログレコードの監視と分類を行うリアルタイム手法と,ファジィルールに基づく分類モデルを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detection of anomalous behaviors in data centers is crucial to predictive
maintenance and data safety. With data centers, we mean any computer network
that allows users to transmit and exchange data and information. In particular,
we focus on the Tier-1 data center of the Italian Institute for Nuclear Physics
(INFN), which supports the high-energy physics experiments at the Large Hadron
Collider (LHC) in Geneva. The center provides resources and services needed for
data processing, storage, analysis, and distribution. Log records in the data
center is a stochastic and non-stationary phenomenon in nature. We propose a
real-time approach to monitor and classify log records based on sliding time
windows, and a time-varying evolving fuzzy-rule-based classification model. The
most frequent log pattern according to a control chart is taken as the normal
system status. We extract attributes from time windows to gradually develop and
update an evolving Gaussian Fuzzy Classifier (eGFC) on the fly. The real-time
anomaly monitoring system has to provide encouraging results in terms of
accuracy, compactness, and real-time operation.
- Abstract（参考訳）: データセンターにおける異常な挙動の検出は、予測的保守とデータの安全性に不可欠である。
データセンターでは、ユーザがデータや情報を送受信できるあらゆるコンピュータネットワークを意味します。
特に,ジュネーブの大型ハドロン衝突型加速器(LHC)における高エネルギー物理実験を支援するイタリア核物理学研究所(INFN)のTier-1データセンターに注目した。
このセンターはデータ処理、ストレージ、分析、分散に必要なリソースとサービスを提供する。
データセンターのログ記録は、本質的に確率的かつ非定常的な現象である。
そこで本稿では,スライディングタイムウィンドウに基づくログレコードの監視と分類を行うリアルタイム手法と,ファジィルールに基づく分類モデルを提案する。
制御チャートに応じた最も頻繁なログパターンは、正常なシステム状態として取られる。
時間窓から属性を抽出し,進化するガウスファジィ分類器(egfc)を段階的に開発・更新する。
リアルタイム異常監視システムは, 精度, コンパクト性, リアルタイム操作の観点から, 奨励的な結果を提供する必要がある。
関連論文リスト
- PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - A hybrid feature learning approach based on convolutional kernels for
ATM fault prediction using event-log data [5.859431341476405]
イベントログデータから特徴を抽出するために,畳み込みカーネル(MiniROCKETとHYDRA)に基づく予測モデルを提案する。
提案手法は,実世界の重要な収集データセットに適用される。
このモデルは、ATMのタイムリーなメンテナンスにおいてオペレータをサポートするコンテナベースの意思決定支援システムに統合された。
論文 参考訳（メタデータ） (2023-05-17T08:55:53Z) - DEGAN: Time Series Anomaly Detection using Generative Adversarial
Network Discriminators and Density Estimation [0.0]
我々は,GANに基づく異常検出フレームワークDEGANを提案する。
これは、適切に構成された識別器(D)をスタンドアロンの異常予測器に訓練するための入力として、通常の時系列データにのみ依存する。
論文 参考訳（メタデータ） (2022-10-05T04:32:12Z) - LogLAB: Attention-Based Labeling of Log Data Anomalies via Weak
Supervision [63.08516384181491]
専門家の手作業を必要とせず,ログメッセージの自動ラベル付けのための新しいモデリング手法であるLogLABを提案する。
本手法は,監視システムが提供する推定故障時間ウィンドウを用いて,正確なラベル付きデータセットを振り返りに生成する。
我々の評価によると、LogLABは3つの異なるデータセットで9つのベンチマークアプローチを一貫して上回り、大規模な障害時ウィンドウでも0.98以上のF1スコアを維持している。
論文 参考訳（メタデータ） (2021-11-02T15:16:08Z) - Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。
我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
論文 参考訳（メタデータ） (2021-10-19T17:41:43Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - Spatiotemporal convolutional network for time-series prediction and
causal inference [21.895413699349966]
時系列のマルチステップ予測を効率的に正確にレンダリングするために、ニューラルネットワークコンピューティングフレームワークi.N.N.を開発した。
このフレームワークは、人工知能(AI)や機械学習分野の実践的応用において大きな可能性を秘めている。
論文 参考訳（メタデータ） (2021-07-03T06:20:43Z) - SALAD: Self-Adaptive Lightweight Anomaly Detection for Real-time
Recurrent Time Series [1.0437764544103274]
本稿では,Long Short-Term Memory(LSTM)と呼ばれる特殊タイプのリカレントニューラルネットワークに基づく自己適応型軽量異常検出手法であるSALADを紹介する。
2つの実世界のオープンソース時系列データセットに基づく実験により、SALADは他の5つの最先端の異常検出アプローチよりも精度が高いことが示された。
さらに、結果はSALADが軽量であり、コモディティマシンにデプロイできることも示しています。
論文 参考訳（メタデータ） (2021-04-19T10:36:23Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳（メタデータ） (2020-09-16T15:52:04Z) - Comparison of Evolving Granular Classifiers applied to Anomaly Detection
for Predictive Maintenance in Computing Centers [2.617178882286492]
CERN(European Organization for Nuclear Research, 欧州原子力研究機構)の物理実験を支援する世界規模のコンピューティンググリッドについて、ログベースのコンピューティングセンターの予測保守が主な関心事である。
目標は、連続的に変更可能なグリッド環境から重要な情報を取得し、分類モデルを構築することである。
我々は,4クラスのオンライン異常分類問題を定式化し,ランドマーク間の時間ウィンドウと2つの粒度計算手法,すなわちFazy-set-based evolution Modeling (FBeM)とGranular Neural Network (eGNN)を併用した。
分類の結果は、特定の時間間隔に優先順位を付けることができるため、予測的保守にとって最も重要である。
論文 参考訳（メタデータ） (2020-04-08T14:08:50Z)
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。