論文の概要: A Semi-Supervised Approach for Abnormal Event Prediction on Large
Operational Network Time-Series Data
- arxiv url: http://arxiv.org/abs/2110.07660v1
- Date: Thu, 14 Oct 2021 18:33:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 09:02:31.250304
- Title: A Semi-Supervised Approach for Abnormal Event Prediction on Large
Operational Network Time-Series Data
- Title（参考訳）: 大規模運用ネットワーク時系列データにおける異常事象予測のための半監督的アプローチ
- Authors: Yijun Lin and Yao-Yi Chiang
- Abstract要約: 本稿では,ネットワーク時系列と時間点間の依存関係を効率的にキャプチャする半教師付き手法を提案する。
本手法は, 正規および異常サンプルに対する分離可能な埋め込み空間を明示的に学習するために, ラベル付き限られたデータを使用することができる。
実験により,我々の手法は大規模実世界のネットワークログ上でのイベント検出において,最先端の手法よりも著しく優れていた。
- 参考スコア（独自算出の注目度）: 1.544681800932596
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large network logs, recording multivariate time series generated from
heterogeneous devices and sensors in a network, can often reveal important
information about abnormal activities, such as network intrusions and device
malfunctions. Existing machine learning methods for anomaly detection on
multivariate time series typically assume that 1) normal sequences would have
consistent behavior for training unsupervised models, or 2) require a large set
of labeled normal and abnormal sequences for supervised models. However, in
practice, normal network activities can demonstrate significantly varying
sequence patterns (e.g., before and after rerouting partial network traffic).
Also, the recorded abnormal events can be sparse. This paper presents a novel
semi-supervised method that efficiently captures dependencies between network
time series and across time points to generate meaningful representations of
network activities for predicting abnormal events. The method can use the
limited labeled data to explicitly learn separable embedding space for normal
and abnormal samples and effectively leverage unlabeled data to handle training
data scarcity. The experiments demonstrate that our approach significantly
outperformed state-of-the-art approaches for event detection on a large
real-world network log.
- Abstract（参考訳）: ネットワーク内の異種デバイスやセンサから発生する多変量時系列を記録する大規模ネットワークログは、ネットワーク侵入やデバイス故障といった異常な活動に関する重要な情報を明らかにすることが多い。
多変量時系列の異常検出のための既存の機械学習手法
1)正常なシーケンスは、教師なしモデルのトレーニングに一貫した振る舞いを持つか、または
2) 教師付きモデルにはラベル付き正規シーケンスと異常シーケンスが多数必要である。
しかし、実際には、通常のネットワークアクティビティは、非常に異なるシーケンスパターン(例えば、部分的なネットワークトラフィックの再ルーティング前後)を示すことができる。
また、記録された異常事象はスパースすることができる。
本稿では,ネットワーク時系列と時間点間の依存関係を効率的にキャプチャして,異常事象を予測するためのネットワークアクティビティの有意義な表現を生成する半教師付き手法を提案する。
本手法では, 限定ラベル付きデータを用いて, 正常サンプルと異常サンプルの分離可能な埋め込み空間を明示的に学習し, ラベルなしデータを効果的に活用し, トレーニングデータの不足に対処することができる。
実験の結果,本手法は大規模実世界のネットワークログ上でのイベント検出において,最先端の手法よりも大幅に優れていた。
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) - Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。
本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。
AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
論文 参考訳（メタデータ） (2023-04-02T08:23:20Z) - STING: Self-attention based Time-series Imputation Networks using GAN [4.052758394413726]
GANを用いたSING(Self-attention based Time-Series Imputation Networks)を提案する。
我々は、時系列の潜在表現を学習するために、生成的対向ネットワークと双方向リカレントニューラルネットワークを利用する。
3つの実世界のデータセットによる実験結果から、STINGは既存の最先端手法よりも計算精度が優れていることが示された。
論文 参考訳（メタデータ） (2022-09-22T06:06:56Z) - Deep Federated Anomaly Detection for Multivariate Time Series Data [93.08977495974978]
本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。
ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
論文 参考訳（メタデータ） (2022-05-09T05:06:58Z) - MAD: Self-Supervised Masked Anomaly Detection Task for Multivariate Time
Series [14.236092062538653]
Masked Anomaly Detection (MAD) は多変量時系列異常検出のための汎用的な自己教師型学習タスクである。
入力の一部をランダムにマスキングしてモデルをトレーニングすることで、MADは従来の左から右への次のステップ予測(NSP)タスクよりも改善される。
実験の結果,MADは従来のNSP法よりも優れた異常検出率が得られることが示された。
論文 参考訳（メタデータ） (2022-05-04T14:55:42Z) - 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) - Federated Variational Learning for Anomaly Detection in Multivariate
Time Series [13.328883578980237]
本稿では,非教師付き時系列異常検出フレームワークを提案する。
我々は,畳み込みGated Recurrent Unit(ConvGRU)モデルに基づいて,共有変分オートエンコーダ(VAE)を学習するために,エッジに分散したトレーニングデータを残しておく。
3つの実世界のネットワークセンサーデータセットの実験は、他の最先端モデルに対する我々のアプローチの利点を示しています。
論文 参考訳（メタデータ） (2021-08-18T22:23:15Z) - 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) - Multi-Scale One-Class Recurrent Neural Networks for Discrete Event
Sequence Anomaly Detection [63.825781848587376]
本稿では,離散イベントシーケンス中の異常を検出する1クラスリカレントニューラルネットワークOC4Seqを提案する。
具体的には、OC4Seqは離散イベントシーケンスを遅延空間に埋め込み、異常を容易に検出することができる。
論文 参考訳（メタデータ） (2020-08-31T04:48:22Z) - A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。
基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文 参考訳（メタデータ） (2020-02-21T23:10:50Z) - 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。