論文の概要: A Systematic Mapping Study in AIOps

• arxiv url: http://arxiv.org/abs/2012.09108v1
• Date: Tue, 15 Dec 2020 09:05:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 09:36:47.793480
• Title: A Systematic Mapping Study in AIOps
• Title（参考訳）: AIOpsにおけるシステムマッピングの研究
• Authors: Paolo Notaro, Jorge Cardoso, and Michael Gerndt
• Abstract要約: AIOpsへの多数の散在する貢献を集め、整理するための詳細なマッピングスタディを実施します。 AIOpsの分類法を作成し、将来の貢献のための基盤を構築します。 私たちの結果は、AIOps、特に障害関連のタスクを扱う貢献に対する最近ますます関心を示しています。
• 参考スコア（独自算出の注目度）: 0.6977626480948161
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: IT systems of today are becoming larger and more complex, rendering their human supervision more difficult. Artificial Intelligence for IT Operations (AIOps) has been proposed to tackle modern IT administration challenges thanks to AI and Big Data. However, past AIOps contributions are scattered, unorganized and missing a common terminology convention, which renders their discovery and comparison impractical. In this work, we conduct an in-depth mapping study to collect and organize the numerous scattered contributions to AIOps in a unique reference index. We create an AIOps taxonomy to build a foundation for future contributions and allow an efficient comparison of AIOps papers treating similar problems. We investigate temporal trends and classify AIOps contributions based on the choice of algorithms, data sources and the target components. Our results show a recent and growing interest towards AIOps, specifically to those contributions treating failure-related tasks (62%), such as anomaly detection and root cause analysis.
• Abstract（参考訳）: 今日のITシステムはますます複雑になり、人間の監督がより困難になっています。 AIとビッグデータのおかげで、現代的なIT管理の課題に取り組むために、AIOps(Artificial Intelligence for IT Operations)が提案されている。 しかし、過去のaiopsの貢献は散在し、組織化されておらず、共通の用語規約を欠いているため、発見と比較は現実的ではない。 本稿では,aiopsに対する多数の散在する貢献をユニークな参照インデックスで収集し整理するために,詳細なマッピング研究を行う。 AIOps分類を作成し、将来のコントリビューションのための基盤を構築し、同様の問題を扱うAIOps論文の効率的な比較を可能にします。 アルゴリズムやデータソース,ターゲットコンポーネントの選択に基づいて,aiopsコントリビューションの時間的傾向を調査し,分類する。 以上の結果から,aiopsに対する近年の関心が高まり,特に異常検出や根本原因分析などの障害関連タスク(62%)の処理に寄与していることが明らかとなった。

関連論文リスト

• Semi-Supervised One-Shot Imitation Learning [83.94646047695412]
  ワンショットのImitation Learningは、AIエージェントに1つのデモから新しいタスクを学ぶ能力を持たせることを目的としている。 我々は,学習エージェントにトラジェクトリの大規模なデータセットを提示する,半教師付きOSIL問題設定を導入する。 我々は,この半教師付きOSIL設定に適用可能なアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-08-09T18:11:26Z)
• A Survey of AIOps for Failure Management in the Era of Large Language Models [60.59720351854515]
  本稿では,LLM時代の障害管理のためのAIOps技術に関する包括的調査を行う。 これには、障害管理のためのAIOpsタスクの詳細な定義、AIOpsのデータソース、AIOpsに採用されているLLMベースのアプローチが含まれている。
  論文  参考訳（メタデータ） (2024-06-17T05:13:24Z)
• AIOps Solutions for Incident Management: Technical Guidelines and A Comprehensive Literature Review [0.29998889086656577]
  本研究では,AIOpsの用語と分類について提案し,構造化されたインシデント管理手順を確立し,AIOpsフレームワークを構築するためのガイドラインを提供する。 目標は、インシデント管理のためのAIOpsの技術的および研究的な側面の包括的なレビューを提供することであり、知識を構造化し、ギャップを特定し、この分野における将来の発展の基礎を確立することを目的としている。
  論文  参考訳（メタデータ） (2024-04-01T17:32:22Z)
• Progressing from Anomaly Detection to Automated Log Labeling and Pioneering Root Cause Analysis [53.24804865821692]
  本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。 この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
  論文  参考訳（メタデータ） (2023-12-22T15:04:20Z)
• AIOps-Driven Enhancement of Log Anomaly Detection in Unsupervised Scenarios [0.18641315013048293]
  本研究では、教師なし戦略を取り入れた革新的なアルゴリズムにより、新しいハイブリッドフレームワークを導入する。 提案手法はシミュレーションと実世界の両方のデータセットの利用を包含する。 実験結果は有望であり, 偽陽性例の有意な減少を示した。
  論文  参考訳（メタデータ） (2023-11-05T11:16:24Z)
• AI for IT Operations (AIOps) on Cloud Platforms: Reviews, Opportunities and Challenges [60.56413461109281]
  IT運用のための人工知能(AIOps)は、AIのパワーとIT運用プロセスが生成するビッグデータを組み合わせることを目的としている。 我々は、IT運用活動が発信する重要なデータの種類、分析における規模と課題、そしてどのように役立つかについて深く議論する。 主要なAIOpsタスクは、インシデント検出、障害予測、根本原因分析、自動アクションに分類します。
  論文  参考訳（メタデータ） (2023-04-10T15:38:12Z)
• Studying the Characteristics of AIOps Projects on GitHub [14.58848716249407]
  我々は、AIOpsの実践的特性を理解するために、オープンソースのAIOpsプロジェクトの詳細な分析を行います。 私たちは、GitHubからAIOpsプロジェクトのセットを特定し、リポジトリメトリクスを分析します。 最後に、バグの数などの異なる品質指標を用いて、これらのプロジェクトの品質を評価します。
  論文  参考訳（メタデータ） (2022-12-26T18:24:45Z)
• $\beta$-DARTS: Beta-Decay Regularization for Differentiable Architecture Search [85.84110365657455]
  本研究では,DARTSに基づくNAS探索過程を正規化するために,ベータデカイと呼ばれるシンプルだが効率的な正規化手法を提案する。 NAS-Bench-201の実験結果から,提案手法は探索過程の安定化に有効であり,探索されたネットワークを異なるデータセット間で転送しやすくする。
  論文  参考訳（メタデータ） (2022-03-03T11:47:14Z)
• How Can Subgroup Discovery Help AIOps? [0.0]
  サブグループディスカバリがAIOpsにどのように役立つかを研究する。 このプロジェクトには、フランスのソフトウェアエディタであるInfologicalのデータマイニングの研究者と実践者の両方が含まれる。
  論文  参考訳（メタデータ） (2021-09-10T14:41:02Z)
• Continuous Ant-Based Neural Topology Search [62.200941836913586]
  この研究は、アリコロニー最適化に基づく、自然に着想を得たニューラルアーキテクチャサーチ(NAS)アルゴリズムを導入している。 連続アントベースのニューラルトポロジーサーチ(CANTS)は、アリが現実世界でどのように動くかに強く影響を受けている。
  論文  参考訳（メタデータ） (2020-11-21T17:49:44Z)

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。