論文の概要: DeCorus: Hierarchical Multivariate Anomaly Detection at Cloud-Scale

• arxiv url: http://arxiv.org/abs/2202.06892v1
• Date: Mon, 14 Feb 2022 17:33:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-15 18:07:26.328757
• Title: DeCorus: Hierarchical Multivariate Anomaly Detection at Cloud-Scale
• Title（参考訳）: DeCorus: クラウドスケールでの階層的多変量異常検出
• Authors: Bruno Wassermann, David Ohana, Ronen Schaffer, Robert Shahla, Elliot K. Kolodner, Eran Raichstein, Michal Malka
• Abstract要約: 本稿では,クラウドサービスプロバイダにデプロイされたネットワークデバイスsyslogメッセージのオンラインログ異常検出ツールであるDeCorusの実装について述べる。 私たちは15億ドルのネットワークデバイスサイスログメッセージと数百のインシデントチケットからなる実世界のデータセットを使って、DeCorusのパフォーマンスを特徴づけています。
• 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: Multivariate anomaly detection can be used to identify outages within large volumes of telemetry data for computing systems. However, developing an efficient anomaly detector that can provide users with relevant information is a challenging problem. We introduce our approach to hierarchical multivariate anomaly detection called DeCorus, a statistical multivariate anomaly detector which achieves linear complexity. It extends standard statistical techniques to improve their ability to find relevant anomalies within noisy signals and makes use of types of domain knowledge that system operators commonly possess to compute system-level anomaly scores. We describe the implementation of DeCorus an online log anomaly detection tool for network device syslog messages deployed at a cloud service provider. We use real-world data sets that consist of $1.5$ billion network device syslog messages and hundreds of incident tickets to characterize the performance of DeCorus and compare its ability to detect incidents with five alternative anomaly detectors. While DeCorus outperforms the other anomaly detectors, all of them are challenged by our data set. We share how DeCorus provides value in the field and how we plan to improve its incident detection accuracy.
• Abstract（参考訳）: 多変量異常検出は、コンピュータシステムのための大量のテレメトリデータ内の障害を特定するために用いられる。 しかし、関連する情報をユーザに提供できる効率的な異常検知器の開発は難しい課題である。 線形複雑度を実現する統計的多変量異常検出器であるDeCorusを用いた階層的多変量異常検出手法を提案する。 標準的な統計手法を拡張して、ノイズ信号内で関連する異常を見つける能力を向上し、システムオペレータがシステムレベルの異常スコアを計算するのによく持っている分野知識のタイプを利用する。 本稿では,クラウドサービスプロバイダにデプロイされたネットワークデバイスsyslogメッセージに対するオンラインログ異常検出ツールdecorusの実装について述べる。 私たちは15億ドルのネットワークデバイスサイスログメッセージと数百のインシデントチケットからなる実世界のデータセットを使用して、DeCorusのパフォーマンスを特徴づけ、インシデントを5つの代替異常検知器と比較しています。 DeCorusは、他の異常検知器よりも優れていますが、これら全てはデータセットによって挑戦されています。 decorusがこの分野でどのように価値を提供するか、そしてインシデント検出精度を改善する計画について共有する。

関連論文リスト

• 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)
• Autoencoder based Anomaly Detection and Explained Fault Localization in Industrial Cooling Systems [0.32956425475258266]
  大規模産業用冷却システムにおける異常検出のための自動エンコーダに基づくエンドツーエンドワークフローを提案する。 総復元誤差のしきい値を用いてシステム障害を同定する。 フォールトローカライゼーションでは,個々の再構成誤差を計算する。
  論文  参考訳（メタデータ） (2022-10-14T09:28:49Z)
• 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)
• Feature Selection for Fault Detection and Prediction based on Event Log Analysis [14.80211278818555]
  イベントログは複雑なシステムにおける異常検出と予測に広く利用されている。 ログベースの異常検出と予測のための特徴選択手法を開発し,その有効性と効率を大幅に改善する。
  論文  参考訳（メタデータ） (2022-08-19T16:43:37Z)
• 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)
• Sintel: A Machine Learning Framework to Extract Insights from Signals [13.04826679898367]
  Sintelは、異常検出などのエンドツーエンドの時系列タスクのための機械学習フレームワークである。 Sintelは異常検出の全ジャーニーをログし、時間とともに異常の詳細なドキュメントを提供する。 ユーザは、インタラクティブな視覚化ツールを使って、信号を分析し、メソッドを比較し、異常を調査できる。
  論文  参考訳（メタデータ） (2022-04-19T19:38:27Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• From One to Many: A Deep Learning Coincident Gravitational-Wave Search [58.720142291102135]
  単一検出器からの非スピン型二元ブラックホールデータに基づいてトレーニングされたニューラルネットワークを用いて、二元ブラックホールの融合から重力波を2検出器で探索する。 これらの単純な2検出器ネットワークはいずれも、検出器のデータに個別にネットワークを適用するよりも感度を向上させることができない。
  論文  参考訳（メタデータ） (2021-08-24T13:25:02Z)
• Graph Neural Network-Based Anomaly Detection in Multivariate Time Series [17.414474298706416]
  我々は,高次元時系列データにおける異常を検出する新しい方法を開発した。 我々のアプローチは、構造学習アプローチとグラフニューラルネットワークを組み合わせている。 本研究では,本手法がベースラインアプローチよりも高精度に異常を検出することを示す。
  論文  参考訳（メタデータ） (2021-06-13T09:07:30Z)
• 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)
• Detection of Thin Boundaries between Different Types of Anomalies in Outlier Detection using Enhanced Neural Networks [3.9715120586766584]
  我々は,集合正規異常(Collective Normal Anomaly)と集合点異常(Collective Point Anomaly)と呼ばれる新しい種類の異常を導入する。 ドメインに依存しない基本的な手法は、教師なしデータセットと教師なしデータセットの両方で定義された異常を検出するために導入された。 多層パーセプトロンニューラルネットワークは遺伝的アルゴリズムを用いて拡張され、より高精度に新たに定義された異常を検出する。
  論文  参考訳（メタデータ） (2020-01-24T21:52:02Z)

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。