論文の概要: Proactive Network Maintenance using Fast, Accurate Anomaly Localization and Classification on 1-D Data Series

• arxiv url: http://arxiv.org/abs/2007.08752v1
• Date: Fri, 17 Jul 2020 04:27:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 13:40:59.106751
• Title: Proactive Network Maintenance using Fast, Accurate Anomaly Localization and Classification on 1-D Data Series
• Title（参考訳）: 1次元データ系列の高速かつ正確な異常局在と分類を用いたアクティブネットワークのメンテナンス
• Authors: Jingjie Zhu, Karthik Sundaresan, Jason Rupe
• Abstract要約: PNM(Proactive Network maintenance)は、ネットワークからのデータを使用してネットワークの障害を特定し、特定する概念である。 本稿では,Deep Convolutional Neural Networksを利用して,データ系列上の異常や事象を効率的かつ正確に検出するアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 2.8876310962094727
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Proactive network maintenance (PNM) is the concept of using data from a network to identify and locate network faults, many or all of which could worsen to become service failures. The separation between the network fault and the service failure affords early detection of problems in the network to allow PNM to take place. Consequently, PNM is a form of prognostics and health management (PHM). The problem of localizing and classifying anomalies on 1-dimensional data series has been under research for years. We introduce a new algorithm that leverages Deep Convolutional Neural Networks to efficiently and accurately detect anomalies and events on data series, and it reaches 97.82% mean average precision (mAP) in our evaluation.
• Abstract（参考訳）: PNM(Proactive Network maintenance)は、ネットワークからのデータを使用してネットワークの障害を特定し、特定する概念である。 ネットワーク障害とサービス障害の分離は、ネットワーク内の問題早期検出を可能にし、pnmの発生を可能にする。 したがって、PNMは予後と健康管理(PHM)の一形態である。 1次元データ系列上の異常のローカライズと分類の問題は、長年研究されてきた。 我々は、Deep Convolutional Neural Networksを利用して、データ系列上の異常や事象を効率的かつ正確に検出するアルゴリズムを導入し、評価において平均平均精度(mAP)が97.82%に達した。

関連論文リスト

• CESNET-TimeSeries24: Time Series Dataset for Network Traffic Anomaly Detection and Forecasting [0.0]
  本書では,ネットワークエンティティの動作の時系列データを構成するデータセットを紹介する。 データセットは、275万のアクティブIPアドレスの40週間のネットワークトラフィックから作成されました。 予測に基づく異常検出アプローチの実践的展開に関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2024-09-27T16:10:11Z)
• Detecting Contextual Network Anomalies with Graph Neural Networks [4.671648049111933]
  ネットワークトラフィック計測におけるコンテキスト異常検出として,この問題を定式化する。 本稿では,GNNをベースとした独自のソリューションを提案し,起点決定フロー上のトラフィック異常を検出する。 その結果, 本法で検出された異常は, ベースラインが検出した異常と非常に相補的であることがわかった。
  論文  参考訳（メタデータ） (2023-12-11T12:45:43Z)
• Detection of DDoS Attacks in Software Defined Networking Using Machine Learning Models [0.6193838300896449]
  本稿では,ソフトウェア定義ネットワーク(SDN)環境において,分散型サービス障害(DDoS)攻撃を検出する機械学習アルゴリズムの有効性について検討する。 その結果、MLベースの検出は、SDNにおけるDDoS攻撃を特定するためのより正確で効果的な方法であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-11T22:56:36Z)
• 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)
• Few-shot Network Anomaly Detection via Cross-network Meta-learning [45.8111239825361]
  GDN(Graph Deviation Networks)という新しいタイプのグラフニューラルネットワークを提案します。 GDNは少数のラベル付き異常を利用して、ネットワーク上の異常ノードと正常ノードの間に統計的に有意なずれを生じさせる。 提案したGDNを新しいクロスネットワークメタラーニングアルゴリズムで実装し,マルチショットネットワーク異常検出を実現した。
  論文  参考訳（メタデータ） (2021-02-22T16:42:37Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming [97.40955121478716]
  本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。 L-inf の精度は 1% から 88% ,6% から 40% に改善した。 また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
  論文  参考訳（メタデータ） (2020-10-22T12:32:29Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)

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。