論文の概要: Human readable network troubleshooting based on anomaly detection and
feature scoring
- arxiv url: http://arxiv.org/abs/2108.11807v1
- Date: Thu, 26 Aug 2021 14:20:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-27 14:10:00.969857
- Title: Human readable network troubleshooting based on anomaly detection and
feature scoring
- Title（参考訳）: 異常検出と特徴点スコアに基づく可読性ネットワークトラブルシューティング
- Authors: Jose M. Navarro, Alexis Huet and Dario Rossi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 11.593495085674343
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network troubleshooting is still a heavily human-intensive process. To reduce
the time spent by human operators in the diagnosis process, we present a system
based on (i) unsupervised learning methods for detecting anomalies in the time
domain, (ii) an attention mechanism to rank features in the feature space and
finally (iii) an expert knowledge module able to seamlessly incorporate
previously collected domain-knowledge. In this paper, we thoroughly evaluate
the performance of the full system and of its individual building blocks:
particularly, we consider (i) 10 anomaly detection algorithms as well as (ii)
10 attention mechanisms, that comprehensively represent the current state of
the art in the respective fields. Leveraging a unique collection of
expert-labeled datasets worth several months of real router telemetry data, we
perform a thorough performance evaluation contrasting practical results in
constrained stream-mode settings, with the results achievable by an ideal
oracle in academic settings. Our experimental evaluation shows that (i) the
proposed system is effective in achieving high levels of agreement with the
expert, and (ii) that even a simple statistical approach is able to extract
useful information from expert knowledge gained in past cases, significantly
improving troubleshooting performance.
- Abstract（参考訳）: ネットワークのトラブルシューティングは、まだ人間中心のプロセスだ。
診断過程におけるヒューマンオペレーターの時間を削減するために、(i)時間領域の異常を検出する教師なし学習方法、(ii)特徴空間の特徴をランク付けするための注意機構、(iii)以前に収集したドメイン知識をシームレスに組み込むことができる専門家知識モジュールに基づくシステムを提案する。
本稿では,全システム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:特に,(i)10個の異常検出アルゴリズムと(ii)10個の注意機構を考察し,各分野におけるアートの現状を包括的に表現する。
数ヶ月間の実ルータテレメトリデータに値するエキスパートラベルデータセットのユニークなコレクションを活用して,制約付きストリームモード設定における実用的な結果と,学術的な設定において理想的なオラクルが達成可能な結果を対比して,徹底的なパフォーマンス評価を行う。
実験の結果, (i) 提案システムは専門家との高レベルの合意を達成し, (ii) 単純な統計的アプローチでも過去の事例から有用な情報を抽出することができ, トラブルシューティング性能を著しく向上させることができることがわかった。
関連論文リスト
- Counterfactual Explanation for Auto-Encoder Based Time-Series Anomaly Detection [0.3199881502576702]
オートエンコーダは意思決定プロセスに固有の不透明さを示し、大規模な実践を妨げている。
本研究では,機能セレクタを用いて特徴を抽出し,モデル出力にコンテキストを与える。
実験結果から,提案手法がモデル決定過程に有意義かつ有意義な洞察を与える可能性が示唆された。
論文 参考訳（メタデータ） (2025-01-03T19:30:11Z) - The Significance of Latent Data Divergence in Predicting System Degradation [1.2058600649065616]
条件ベースのメンテナンスは、エンジニアリングシステムにおける潜在的な障害を早期に検出する上で、重要である。
本稿では,システムコンポーネントの潜在データ内における統計的類似性の分析を基礎とした新しい手法を提案する。
システム間の類似性は、これらの先行の相違を評価し、個々のシステム行動の微妙な理解を提供することによって推測する。
論文 参考訳（メタデータ） (2024-06-13T11:41:20Z) - 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) - Weakly Supervised Anomaly Detection via Knowledge-Data Alignment [24.125871437370357]
マルウェア検出、マネーロンダリング、デバイス障害検出、ネットワーク障害解析など、多数のWebベースのアプリケーションにおいて、異常検出が重要な役割を果たす。
Weakly Supervised Anomaly Detection (WSAD) が導入された。
本稿では,ルール知識を統合するための知識データアライメント(KDAlign)について紹介する。
論文 参考訳（メタデータ） (2024-02-06T07:57:13Z) - PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。
我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2023-01-25T16:34:43Z) - Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。
IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
論文 参考訳（メタデータ） (2021-07-26T10:40:59Z) - HURRA! Human readable router anomaly detection [11.564082628014638]
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。
論文 参考訳（メタデータ） (2021-07-23T08:38:29Z) - Low-Regret Active learning [64.36270166907788]
トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。
私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
論文 参考訳（メタデータ） (2021-04-06T22:53:45Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Anomaly detection with superexperts under delayed feedback [1.3960152426268768]
本稿では,教師なし異常検出アルゴリズムを集約する新しい手法を提案する。
専門家と呼ばれるモデルを集約し、フィードバックを取り入れることで、パフォーマンスが大幅に向上することを示す。
提案手法の重要な特性は、それらの理論的な保証が最高の超専門家に近く実行されることである。
論文 参考訳（メタデータ） (2020-10-08T09:24:55Z) - 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。