論文の概要: HURRA! Human readable router anomaly detection
- arxiv url: http://arxiv.org/abs/2107.11078v1
- Date: Fri, 23 Jul 2021 08:38:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-26 14:00:06.927067
- Title: HURRA! Human readable router anomaly detection
- Title（参考訳）: HURRA!
可読性ルータ異常検出
- Authors: Jose M. Navarro, Dario Rossi
- Abstract要約: HURRAは、ネットワークトラブルシューティングの過程で人間のオペレーターが費やす時間を短縮することを目的としている。
異常検出アルゴリズムの後に接続される2つのモジュールから構成される。
- 参考スコア（独自算出の注目度）: 11.564082628014638
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents HURRA, a system that aims to reduce the time spent by
human operators in the process of network troubleshooting. To do so, it
comprises two modules that are plugged after any anomaly detection algorithm:
(i) a first attention mechanism, that ranks the present features in terms of
their relation with the anomaly and (ii) a second module able to incorporates
previous expert knowledge seamlessly, without any need of human interaction nor
decisions. We show the efficacy of these simple processes on a collection of
real router datasets obtained from tens of ISPs which exhibit a rich variety of
anomalies and very heterogeneous set of KPIs, on which we gather manually
annotated ground truth by the operator solving the troubleshooting ticket. Our
experimental evaluation shows that (i) the proposed system is effective in
achieving high levels of agreement with the expert, that (ii) even a simple
statistical approach is able to extracting useful information from expert
knowledge gained in past cases to further improve performance and finally that
(iii) the main difficulty in live deployment concerns the automated selection
of the anomaly detection algorithm and the tuning of its hyper-parameters.
- Abstract（参考訳）: 本稿では,ネットワークトラブルシューティングにおける人的操作者の時間削減を目的としたシステムであるHURRAを提案する。
そのため、異常検出アルゴリズムの後に接続される2つのモジュールから構成される: (i) 異常検出アルゴリズムとの関係で現在の特徴をランク付けする第1の注意機構、(ii) 人間のインタラクションや決定を必要とせずに、以前の専門家の知識をシームレスに組み込むことができる第2のモジュール。
トラブルシューティングチケットを解決したオペレータによって手作業でアノテートされたグラウンド真理を収集した,多種多様な異常と非常に異質なkpiの集合を示す数十個のispから得られる実ルータデータセットの集まりにおいて,これらの単純なプロセスの有効性を示す。
実験評価の結果, 提案手法は, (i) 専門家との高いレベルの合意の実現に有効であること, (ii) 単純な統計手法でも, 専門家の知識から有用な情報を抽出し, さらなる性能向上を実現することが可能であること, (iii) 実運用の難しさが, 異常検出アルゴリズムの自動選択とハイパーパラメータのチューニングに関係していることが確認された。
関連論文リスト
- 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) - PSDiff: Diffusion Model for Person Search with Iterative and Collaborative Refinement [59.6260680005195]
本稿では,拡散モデルであるPSDiffに基づく新しいPerson Searchフレームワークを提案する。
PSDiffは、ノイズの多いボックスとReID埋め込みから地上の真実へのデュアルデノケーションプロセスとして検索する人を定式化する。
新しいパラダイムに従って、我々は、反復的かつ協調的な方法で検出とReIDサブタスクを最適化する新しいコラボレーティブ・デノナイジング・レイヤ(CDL)を設計する。
論文 参考訳（メタデータ） (2023-09-20T08:16:39Z) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳（メタデータ） (2023-04-21T02:20:24Z) - CNTS: Cooperative Network for Time Series [7.356583983200323]
本稿では,協調ネットワーク時系列法(Cooperative Network Time Series approach)と呼ばれる,教師なし異常検出のための新しい手法を提案する。
CNTSの中心的な側面は多目的最適化の問題であり、協調的な解法戦略によって解決される。
実世界の3つのデータセットの実験は、CNTSの最先端性能を示し、検出器と再構成器の協調的有効性を確認する。
論文 参考訳（メタデータ） (2023-02-20T06:55:10Z) - Online Anomalous Subtrajectory Detection on Road Networks with Deep
Reinforcement Learning [38.71141801699763]
我々はRL4OASDと呼ばれる新しい強化学習ベースのソリューションを提案する。
RL4OASDには2つのネットワークがあり、1つは道路ネットワークと軌道の特徴を学習し、もう1つは異常なサブ軌道を検出する。
論文 参考訳（メタデータ） (2022-11-12T15:17:57Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - Memory-augmented Adversarial Autoencoders for Multivariate Time-series
Anomaly Detection with Deep Reconstruction and Prediction [4.033624665609417]
本稿では,時系列の非教師付き異常検出手法であるMemAAEを提案する。
2つの補完的プロキシタスク、再構築と予測を共同でトレーニングすることにより、複数のタスクによる異常検出が優れた性能を得ることを示す。
MemAAEは4つの公開データセットで総合F1スコアの0.90を達成し、最高のベースラインである0.02を上回っている。
論文 参考訳（メタデータ） (2021-10-15T18:29:05Z) - Human readable network troubleshooting based on anomaly detection and
feature scoring [11.593495085674343]
i) 時間領域における異常検出のための教師なし学習手法,(ii) 特徴空間における特徴のランク付けのための注意機構,(iii) 専門知識モジュールに基づくシステムを提案する。
本研究は, システム全体の性能と, 個々のビルディングブロックの性能を, 徹底的に評価する。
論文 参考訳（メタデータ） (2021-08-26T14:20:36Z) - Anomaly Detection in Video via Self-Supervised and Multi-Task Learning [113.81927544121625]
ビデオにおける異常検出は、コンピュータビジョンの問題である。
本稿では,オブジェクトレベルでの自己教師型およびマルチタスク学習を通じて,ビデオ中の異常事象検出にアプローチする。
論文 参考訳（メタデータ） (2020-11-15T10:21:28Z) - Frequency-based Multi Task learning With Attention Mechanism for Fault
Detection In Power Systems [6.4332733596587115]
本稿では,障害検出のための新しいディープラーニングベースのアプローチを導入し,実際のデータセット,すなわち部分放電検出タスクのためのKaggleプラットフォーム上でテストする。
提案手法では,時系列の特徴を抽出するためのアテンション機構を備えたLong-Short Term Memoryアーキテクチャを採用し,信号の周波数情報を利用した1D-Convolutional Neural Network構造を用いて予測を行う。
論文 参考訳（メタデータ） (2020-09-15T02:01:47Z) - AutoOD: Automated Outlier Detection via Curiosity-guided Search and
Self-imitation Learning [72.99415402575886]
外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。
本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。
さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2020-06-19T18:57:51Z)
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。