論文の概要: DRAM Failure Prediction in AIOps: Empirical Evaluation, Challenges and Opportunities

• arxiv url: http://arxiv.org/abs/2104.15052v2
• Date: Tue, 4 May 2021 02:59:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-06 06:19:08.681829
• Title: DRAM Failure Prediction in AIOps: Empirical Evaluation, Challenges and Opportunities
• Title（参考訳）: AIOpsにおけるDRAM障害予測 - 経験的評価,課題,機会
• Authors: Zhiyue Wu, Hongzuo Xu, Guansong Pang, Fengyuan Yu, Yijie Wang, Songlei Jian, Yongjun Wang
• Abstract要約: 本稿では,DRAM障害予測のための多様な機械学習手法の実証的評価について述べる。 まず,多クラス分類タスクとして問題を定式化し,各データソースと複数データソースの両方において,人気/最先端の7つの分類器を徹底的に評価する。 この問題を教師なし異常検出タスクとして定式化し,3つの最先端異常検出器を評価した。
• 参考スコア（独自算出の注目度）: 17.21846133804582
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: DRAM failure prediction is a vital task in AIOps, which is crucial to maintain the reliability and sustainable service of large-scale data centers. However, limited work has been done on DRAM failure prediction mainly due to the lack of public available datasets. This paper presents a comprehensive empirical evaluation of diverse machine learning techniques for DRAM failure prediction using a large-scale multi-source dataset, including more than three millions of records of kernel, address, and mcelog data, provided by Alibaba Cloud through PAKDD 2021 competition. Particularly, we first formulate the problem as a multi-class classification task and exhaustively evaluate seven popular/state-of-the-art classifiers on both the individual and multiple data sources. We then formulate the problem as an unsupervised anomaly detection task and evaluate three state-of-the-art anomaly detectors. Further, based on the empirical results and our experience of attending this competition, we discuss major challenges and present future research opportunities in this task.
• Abstract（参考訳）: DRAM障害予測は、大規模データセンターの信頼性と持続可能なサービスの維持に不可欠であるAIOpsにおいて重要なタスクである。 しかしながら、DRAMの障害予測には、公開データセットの欠如が主な原因となっている。 本稿では, Alibaba CloudがPAKDD 2021コンペティションを通じて提供した,300万以上のカーネル,アドレス,mcelogデータを含む大規模マルチソースデータセットを用いて, DRAM故障予測のための多様な機械学習手法の総合的評価を行う。 特に,まず問題をマルチクラス分類タスクとして定式化し,個々のデータソースと複数のデータソースの両方で7つの人気/最先端の分類器を徹底的に評価する。 この問題を教師なし異常検出タスクとして定式化し,3つの最先端異常検出器を評価した。 さらに,このコンペに参加した経験的結果と経験から,本課題における大きな課題と今後の研究機会について考察する。

関連論文リスト

• See it, Think it, Sorted: Large Multimodal Models are Few-shot Time Series Anomaly Analyzers [23.701716999879636]
  時系列データの急激な増加に伴い,時系列異常検出(TSAD)はますます重要になりつつある。 本稿では,TMA(Time Series Anomaly Multimodal Analyzer)と呼ばれる先駆的なフレームワークを導入し,異常の検出と解釈を両立させる。
  論文  参考訳（メタデータ） (2024-11-04T10:28:41Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• Wild Face Anti-Spoofing Challenge 2023: Benchmark and Results [73.98594459933008]
  顔認証システム(FAS)は、顔認識システムの完全性を保護するための重要なメカニズムである。 この制限は、公開可能なFASデータセットの不足と多様性の欠如に起因する可能性がある。 制約のない環境で収集された大規模で多様なFASデータセットであるWild Face Anti-Spoofingデータセットを紹介した。
  論文  参考訳（メタデータ） (2023-04-12T10:29:42Z)
• A Comprehensive Review of Trends, Applications and Challenges In Out-of-Distribution Detection [0.76146285961466]
  アウト・オブ・ディストリビューション・データ・サブセットの検出とより包括的な一般化の実現に焦点をあてた研究分野が誕生した。 多くのディープラーニングベースのモデルは、ベンチマークデータセットでほぼ完璧な結果を得たため、これらのモデルの信頼性と信頼性を評価する必要性は、これまで以上に強く感じられる。 本稿では,本分野における70以上の論文のレビューに加えて,今後の研究の課題と方向性を提示するとともに,データシフトの多種多様さを統一的に把握し,より一般化するためのソリューションを提案する。
  論文  参考訳（メタデータ） (2022-09-26T18:13:14Z)
• Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
  この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。 疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。 また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
  論文  参考訳（メタデータ） (2022-07-19T16:15:11Z)
• Predicting Seriousness of Injury in a Traffic Accident: A New Imbalanced Dataset and Benchmark [62.997667081978825]
  本稿では,交通事故における傷害の重大性を予測するために,機械学習アルゴリズムの性能を評価する新しいデータセットを提案する。 データセットは、英国運輸省から公開されているデータセットを集約することで作成される。
  論文  参考訳（メタデータ） (2022-05-20T21:15:26Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• Exathlon: A Benchmark for Explainable Anomaly Detection over Time Series [6.085662888748731]
  本稿では,高次元時系列データを用いた説明可能な異常検出のための最初のベンチマークであるExathlonを提案する。 Exathlonは、Apache Sparkクラスタ上で大規模なストリーム処理ジョブを繰り返し実行する実際のデータトレースに基づいて構築されている。 各異常事例について、根本原因区間の接地真理ラベルと、延長効果区間の接地真理ラベルとを設ける。
  論文  参考訳（メタデータ） (2020-10-10T19:31:22Z)
• Event Prediction in the Big Data Era: A Systematic Survey [7.3810864598379755]
  ビッグデータ時代において、イベント予測は実行可能な選択肢になりつつある。 本稿では,イベント予測の技術,応用,評価について,体系的かつ包括的な調査を行うことを目的とする。
  論文  参考訳（メタデータ） (2020-07-19T23:24:52Z)
• Multi-label Prediction in Time Series Data using Deep Neural Networks [19.950094635430048]
  本稿では,多次元時系列データに対するマルチラベル予測故障分類問題に対処する。 提案アルゴリズムは2つの公開ベンチマークデータセットで検証される。
  論文  参考訳（メタデータ） (2020-01-27T21:35:15Z)

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。