論文の概要: Anomaly Detection on IT Operation Series via Online Matrix Profile

• arxiv url: http://arxiv.org/abs/2108.12093v1
• Date: Fri, 27 Aug 2021 02:40:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-30 19:06:47.942876
• Title: Anomaly Detection on IT Operation Series via Online Matrix Profile
• Title（参考訳）: オンライン行列プロファイルによるIT運用系列の異常検出
• Authors: Shi-Ying Lan, Run-Qing Chen, Wan-Lei Zhao
• Abstract要約: 時系列における異常検出は、ITシステムのキーパフォーマンス指標(KPI)を監視するための基本的なタスクである。 本稿では,トレーニングを必要としないオンライン行列プロファイルを提案し,この問題に対処する。 異常は、現在に最も近い過去のサブシーケンスを参照することによって検出される。
• 参考スコア（独自算出の注目度）: 2.0539994999823334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection on time series is a fundamental task in monitoring the Key Performance Indicators (KPIs) of IT systems. The existing approaches in the literature either require a lot of training resources or are hard to be deployed in real scenarios. In this paper, the online matrix profile, which requires no training, is proposed to address this issue. The anomalies are detected by referring to the past subsequence that is the closest to the current one. The distance significance is introduced based on the online matrix profile, which demonstrates a prominent pattern when an anomaly occurs. Another training-free approach spectral residual is integrated into our approach to further enhance the detection accuracy. Moreover, the proposed approach is sped up by at least four times for long time series by the introduced cache strategy. In comparison to the existing approaches, the online matrix profile makes a good trade-off between accuracy and efficiency. More importantly, it is generic to various types of time series in the sense that it works without the constraint from any trained model.
• Abstract（参考訳）: 時系列における異常検出は、ITシステムのキーパフォーマンス指標(KPI)を監視するための基本的なタスクである。 文献にある既存のアプローチは多くのトレーニングリソースを必要とするか、実際のシナリオにデプロイするのが難しいかのどちらかです。 本稿では,トレーニングを必要としないオンライン行列プロファイルを提案し,この問題に対処する。 異常は、現在のものに最も近い過去のサブシーケンスを参照することによって検出される。 距離の重要度はオンライン行列プロファイルに基づいて,異常発生時の顕著なパターンを示す。 また, 検出精度をさらに高めるために, トレーニングフリーなスペクトル残差を組み込んだ。 さらに,提案手法は,導入したキャッシュ戦略により,少なくとも4回,時系列で高速化される。 既存のアプローチと比較して、オンラインマトリックスプロファイルは精度と効率のトレードオフが良好である。 さらに重要なのは、トレーニングされたモデルの制約なしに動作するという意味で、さまざまなタイプの時系列に汎用的であることだ。

関連論文リスト

• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• LARA: A Light and Anti-overfitting Retraining Approach for Unsupervised Time Series Anomaly Detection [49.52429991848581]
  深部変分自動エンコーダに基づく時系列異常検出手法(VAE)のための光・反オーバーフィット学習手法(LARA)を提案する。 本研究の目的は,1) 再学習過程を凸問題として定式化し, 過度に収束できること,2) 履歴データを保存せずに活用するルミネートブロックを設計すること,3) 潜在ベクトルと再構成データの微調整を行うと, 線形形成が基底真実と微調整されたブロックとの誤りを最小に調整できることを数学的に証明することである。
  論文  参考訳（メタデータ） (2023-10-09T12:36:16Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Algorithm Design for Online Meta-Learning with Task Boundary Detection [63.284263611646]
  非定常環境におけるタスクに依存しないオンラインメタ学習のための新しいアルゴリズムを提案する。 まず,タスクスイッチと分散シフトの簡易かつ効果的な2つの検出機構を提案する。 軽度条件下では,線形タスク平均的後悔がアルゴリズムに対して達成可能であることを示す。
  論文  参考訳（メタデータ） (2023-02-02T04:02:49Z)
• 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)
• Robust Projection based Anomaly Extraction (RPE) in Univariate Time-Series [8.121462458089141]
  提案手法は RPE と呼ばれ,ウィンドウベースの手法である。 RPEはウィンドウ内の異常の存在に対して堅牢であり、タイムスタンプレベルの異常を区別することができる。 広範な数値実験により、RPEは既存のアプローチよりも顕著なマージンで優れていることが示されている。
  論文  参考訳（メタデータ） (2022-05-31T05:41:58Z)
• DeepFIB: Self-Imputation for Time Series Anomaly Detection [5.4921159672644775]
  時系列異常検出(AD)は、金融および医療監視における不正検出など、様々な応用において重要な役割を果たす。 時系列におけるADのための新しい自己教師型学習手法,すなわちemphDeepFIBを提案する。 我々は、DeepFIBが最先端の手法を大きなマージンで上回り、F1スコアの相対的な改善を65.2%まで達成していることを示す。
  論文  参考訳（メタデータ） (2021-12-12T14:28:06Z)
• SALAD: Self-Adaptive Lightweight Anomaly Detection for Real-time Recurrent Time Series [1.0437764544103274]
  本稿では,Long Short-Term Memory(LSTM)と呼ばれる特殊タイプのリカレントニューラルネットワークに基づく自己適応型軽量異常検出手法であるSALADを紹介する。 2つの実世界のオープンソース時系列データセットに基づく実験により、SALADは他の5つの最先端の異常検出アプローチよりも精度が高いことが示された。 さらに、結果はSALADが軽量であり、コモディティマシンにデプロイできることも示しています。
  論文  参考訳（メタデータ） (2021-04-19T10:36:23Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• RobustTAD: Robust Time Series Anomaly Detection via Decomposition and Convolutional Neural Networks [37.16594704493679]
  本稿では,ロバスト時系列異常検出フレームワークRobustTADを提案する。 時系列データのために、堅牢な季節差分解と畳み込みニューラルネットワークを統合する。 パブリックオンラインサービスとしてデプロイされ、Alibaba Groupのさまざまなビジネスシナリオで広く採用されている。
  論文  参考訳（メタデータ） (2020-02-21T20:43:45Z)

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。