論文の概要: How Can Subgroup Discovery Help AIOps?
- arxiv url: http://arxiv.org/abs/2109.04909v1
- Date: Fri, 10 Sep 2021 14:41:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-13 13:22:25.430090
- Title: How Can Subgroup Discovery Help AIOps?
- Title(参考訳): サブグループディスカバリはAIOpsにどのように役立つか
- Authors: Youcef Remil
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The genuine supervision of modern IT systems brings new challenges as it
requires higher standards of scalability, reliability and efficiency when
analysing and monitoring big data streams. Rule-based inference engines are a
key component of maintenance systems in detecting anomalies and automating
their resolution. However, they remain confined to simple and general rules and
cannot handle the huge amount of data, nor the large number of alerts raised by
IT systems, a lesson learned from expert systems era. Artificial Intelligence
for Operation Systems (AIOps) proposes to take advantage of advanced analytics
and machine learning on big data to improve and automate every step of
supervision systems and aid incident management in detecting outages,
identifying root causes and applying appropriate healing actions. Nevertheless,
the best AIOps techniques rely on opaque models, strongly limiting their
adoption. As a part of this PhD thesis, we study how Subgroup Discovery can
help AIOps. This promising data mining technique offers possibilities to
extract interesting hypothesis from data and understand the underlying process
behind predictive models. To ensure relevancy of our propositions, this project
involves both data mining researchers and practitioners from Infologic, a
French software editor.
- Abstract(参考訳): 最新のITシステムの真の監視は、ビッグデータストリームの分析と監視を行う際に、スケーラビリティ、信頼性、効率性のより高い標準を必要とするため、新たな課題をもたらします。
規則に基づく推論エンジンは、異常の検出と解決の自動化において、メンテナンスシステムの重要なコンポーネントである。
しかし、それらは依然として単純で一般的なルールに限定されており、大量のデータや、専門的なシステム時代から学んだ、ITシステムによる大量のアラートを処理できない。
AIOps(Artificial Intelligence for Operation Systems)は、ビッグデータ上の高度な分析と機械学習を活用して、監視システムのすべてのステップを改善し自動化し、障害の検出や根本原因の特定、適切な治癒行動の適用においてインシデント管理を支援することを提案する。
それでも、最高のaiops技術は不透明なモデルに依存しており、採用を厳しく制限している。
この博士論文の一環として、サブグループの発見がaiopsにどのように役立つかを研究する。
この有望なデータマイニング技術は、データから興味深い仮説を抽出し、予測モデルの背後にあるプロセスを理解する可能性を提供する。
提案の関連性を確保するため、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研究者と実践者の両方が関わっている。
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) - 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) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳(メタデータ) (2023-01-30T12:38:31Z) - Leveraging Log Instructions in Log-based Anomaly Detection [0.5949779668853554]
本稿では,システムログからの信頼性と実用的な異常検出手法を提案する。
1000以上のGitHubプロジェクトのソースコードからログインストラクションを備えた異常検出モデルを構築することで、関連する作業の一般的な欠点を克服する。
提案手法はADLILogと呼ばれ,興味あるシステム(ターゲットシステム)からのログ命令とデータを組み合わせて,深層ニューラルネットワークモデルを学習する。
論文 参考訳(メタデータ) (2022-07-07T10:22:10Z) - A review of Federated Learning in Intrusion Detection Systems for IoT [0.15469452301122172]
侵入検知システムは、環境中の異常を検索するデータ分析を行うインテリジェントシステムへと進化している。
ディープラーニング技術は、より複雑で効果的な脅威検出モデルを構築するための扉を開いた。
現在のアプローチは、すべてのパーティからデータを受け取る強力な集中型サーバに依存しています。
本稿では,侵入検出分野におけるフェデレートラーニング手法の適用に焦点を当てた。
論文 参考訳(メタデータ) (2022-04-26T17:00:07Z) - LogLAB: Attention-Based Labeling of Log Data Anomalies via Weak
Supervision [63.08516384181491]
専門家の手作業を必要とせず,ログメッセージの自動ラベル付けのための新しいモデリング手法であるLogLABを提案する。
本手法は,監視システムが提供する推定故障時間ウィンドウを用いて,正確なラベル付きデータセットを振り返りに生成する。
我々の評価によると、LogLABは3つの異なるデータセットで9つのベンチマークアプローチを一貫して上回り、大規模な障害時ウィンドウでも0.98以上のF1スコアを維持している。
論文 参考訳(メタデータ) (2021-11-02T15:16:08Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳(メタデータ) (2021-02-25T14:24:49Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳(メタデータ) (2021-02-12T09:33:00Z) - EXPLAIN-IT: Towards Explainable AI for Unsupervised Network Traffic
Analysis [7.447122949368314]
ラベルのないデータを扱う手法であるEXPLAIN-ITを導入し、意味のあるクラスタを作成し、エンドユーザのクラスタリング結果の説明を提案する。
暗号化されたトラフィックシナリオ下でのYouTubeビデオ品質分類の問題に対してEXPLAIN-ITを適用し,有望な結果を示す。
論文 参考訳(メタデータ) (2020-03-03T17:54:41Z)
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。