論文の概要: Using sequential drift detection to test the API economy
- arxiv url: http://arxiv.org/abs/2111.05136v1
- Date: Tue, 9 Nov 2021 13:24:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-10 18:53:17.022523
- Title: Using sequential drift detection to test the API economy
- Title（参考訳）: APIエコノミーをテストするためのシーケンシャルドリフト検出
- Authors: Samuel Ackerman, Parijat Dube, Eitan Farchi
- Abstract要約: APIエコノミーは、API(高度なプログラミングインターフェース)の広範な統合を指す。
使用パターンを監視し、システムがこれまで使用されなかった方法でいつ使用されているかを特定することが望ましい。
この作業では、ヒストグラムとAPI使用のコールグラフの両方を分析し、システムの利用パターンがシフトしたかどうかを判断する。
- 参考スコア（独自算出の注目度）: 4.056434158960926
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The API economy refers to the widespread integration of API (advanced
programming interface) microservices, where software applications can
communicate with each other, as a crucial element in business models and
functions. The number of possible ways in which such a system could be used is
huge. It is thus desirable to monitor the usage patterns and identify when the
system is used in a way that was never used before. This provides a warning to
the system analysts and they can ensure uninterrupted operation of the system.
In this work we analyze both histograms and call graph of API usage to
determine if the usage patterns of the system has shifted. We compare the
application of nonparametric statistical and Bayesian sequential analysis to
the problem. This is done in a way that overcomes the issue of repeated
statistical tests and insures statistical significance of the alerts. The
technique was simulated and tested and proven effective in detecting the drift
in various scenarios. We also mention modifications to the technique to
decrease its memory so that it can respond more quickly when the distribution
drift occurs at a delay from when monitoring begins.
- Abstract（参考訳）: APIエコノミーは、ビジネスモデルや機能において重要な要素として、ソフトウェアアプリケーションが相互に通信可能なAPI(先進的なプログラミングインターフェース)マイクロサービスの広範な統合を指す。
このようなシステムが利用できる可能性のある方法の数は膨大です。
したがって、使用パターンを監視し、システムがこれまで使われなかった方法で使用されたときに識別することが望ましい。
これはシステムアナリストに警告を与え、システムの中断のない動作を保証することができる。
この作業では、ヒストグラムとAPI使用のコールグラフの両方を分析し、システムの利用パターンがシフトしたかどうかを判断する。
非パラメトリック統計解析とベイズ列解析の応用をこの問題と比較した。
これは、繰り返し行われる統計テストの問題を克服し、警告の統計的意義を保証する方法で行われる。
この技術はシミュレーションされ、試験され、様々なシナリオにおける漂流の検出に有効であることが証明された。
また,監視開始から遅延時に分布ドリフトが発生した場合に,より迅速に応答できるように,メモリを減少させる手法の変更についても述べる。
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) - Prompt Engineering-assisted Malware Dynamic Analysis Using GPT-4 [45.935748395725206]
GPT-4を用いた即時エンジニアリング支援型マルウェア動的解析手法を提案する。
この方法では、APIシーケンス内の各API呼び出しに対する説明テキストを作成するために、GPT-4が使用される。
BERTはテキストの表現を得るために使われ、そこからAPIシーケンスの表現を導出します。
論文 参考訳（メタデータ） (2023-12-13T17:39:44Z) - 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) - Lightweight Automated Feature Monitoring for Data Streams [1.4658400971135652]
そこで本稿では,データドリフトを検出するFM(Feature Monitoring)システムを提案する。
システムは、システムによって使用されるすべての機能を監視し、アラームが発生するたびにランク付けされる解釈可能な機能を提供します。
これは、FMが特定のタイプの問題を検出するためにカスタムシグナルを追加する必要をなくし、利用可能な機能の空間を監視するのに十分であることを示している。
論文 参考訳（メタデータ） (2022-07-18T14:38:11Z) - Detecting Anomalous Event Sequences with Temporal Point Processes [28.997992932163008]
時間点プロセス(TPP)における異常な連続イベントシーケンスをオフ・オブ・ディストリビューション(OoD)検出として検出する問題について検討する。
まず,GoF(Goness-of-fit)テストを用いて,この問題にどのようにアプローチできるかを示す。
次に、TPPの一般的なGoF統計の限界を実証し、これらの欠点に対処する新しいテストを提案する。
論文 参考訳（メタデータ） (2021-06-08T15:50:12Z) - Robust and Transferable Anomaly Detection in Log Data using Pre-Trained
Language Models [59.04636530383049]
クラウドのような大規模コンピュータシステムにおける異常や障害は、多くのユーザに影響を与える。
システム情報の主要なトラブルシューティングソースとして,ログデータの異常検出のためのフレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-23T09:17:05Z) - Behavioral Model Inference of Black-box Software using Deep Neural
Networks [1.6593369275241105]
テストや異常検出といった多くのソフトウェアエンジニアリングタスクは、ソフトウェアの振る舞いモデルを予測する能力の恩恵を受けることができる。
既存の推論アプローチのほとんどは、実行シーケンスを収集するコードへのアクセスを前提としている。
本稿では,この手法を用いて状態変化を正確に検出する方法と,推定されたモデルがトランスフォーメーション学習シナリオにどのように適用できるかを示す。
論文 参考訳（メタデータ） (2021-01-13T09:23:37Z) - Hybrid Deep Neural Networks to Infer State Models of Black-Box Systems [2.294541416972175]
本稿では,システムの入力/出力信号当たりの時系列を入力として受け入れるハイブリッドディープニューラルネットワークを提案する。
当社のアプローチを,50万行のCコードで,業界パートナのUAV自動操縦ソリューションに適用しました。
論文 参考訳（メタデータ） (2020-08-26T23:24:34Z) - Change Point Detection in Time Series Data using Autoencoders with a
Time-Invariant Representation [69.34035527763916]
変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。
近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。
我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
論文 参考訳（メタデータ） (2020-08-21T15:03:21Z) - Superiority of Simplicity: A Lightweight Model for Network Device
Workload Prediction [58.98112070128482]
本稿では,歴史観測に基づく時系列予測のための軽量な解を提案する。
ニューラルネットワークと平均予測器という2つのモデルからなる異種アンサンブル法で構成されている。
利用可能なFedCSIS 2020チャレンジデータセットの総合的なR2$スコア0.10を達成している。
論文 参考訳（メタデータ） (2020-07-07T15:44:16Z)
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。