Fugu-MT 論文翻訳(概要): Practical data monitoring in the internet-services domain

論文の概要: Practical data monitoring in the internet-services domain

arxiv url: http://arxiv.org/abs/2203.08067v1
Date: Tue, 15 Mar 2022 16:59:07 GMT
ステータス: 処理完了
システム内更新日: 2022-03-16 17:19:09.791168
Title: Practical data monitoring in the internet-services domain
Title（参考訳）: インターネットサービス分野におけるデータモニタリング
Authors: Nikhil Galagali
Abstract要約: 本稿では,信頼性の高い大規模異常検出のためのフレームワークを提案する。既存のアプローチよりもはるかに正確であり、モデルの解釈が容易である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Large-scale automated monitoring, anomaly detection, and root cause analysis of metrics is an essential requirement of the internet-services industry. To address the need to continuously monitor millions of metrics, many anomaly detection approaches are being used on a daily basis by large internet-based companies. However, in spite of the significant progress made to accurately and efficiently detect anomalies in metrics, the sheer scale of the number of metrics has meant there are still a large number of false alarms that need to be investigated. This paper presents a framework for reliable large-scale anomaly detection. It is significantly more accurate than existing approaches and allows for easy interpretation of models, thus enabling practical data monitoring in the internet-services domain.
Abstract（参考訳）: 大規模自動監視、異常検出、およびメトリクスの根本原因分析は、インターネットサービス産業にとって必須の要件である。何百万ものメトリクスを継続的に監視する必要性に対処するため、大規模なインターネットベースの企業では、多くの異常検出アプローチが毎日使用されている。しかし、測定値の異常を正確にかつ効率的に検出するための大きな進歩にもかかわらず、測定値の数の大幅なスケールは、調査が必要な偽アラームの数が依然として多いことを意味する。本稿では,信頼性の高い大規模異常検出のための枠組みを提案する。既存のアプローチよりもはるかに正確であり、モデルの解釈が容易であり、インターネットサービスドメインで実用的なデータ監視を可能にする。

関連論文リスト

A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文参考訳（メタデータ） (2024-06-05T13:40:07Z)
Practical Anomaly Detection over Multivariate Monitoring Metrics for Online Services [29.37493773435177]
CMAnomalyは、協調マシンに基づく多変量モニタリングメトリクスの異常検出フレームワークである。提案するフレームワークは,Huawei Cloudの大規模オンラインサービスシステムから収集した公開データと産業データの両方で広く評価されている。最先端のベースラインモデルと比較して、CMAnomalyは平均F1スコア0.9494を達成し、ベースラインの6.77%から10.68%を上回り、10倍から20倍速く走る。
論文参考訳（メタデータ） (2023-08-19T08:08:05Z)
A Survey of Time Series Anomaly Detection Methods in the AIOps Domain [16.92261613814882]
インターネットベースのサービスは目覚ましい成功を収め、キーパフォーマンス指標(KPI)を大量に生成している。このレビューは、AIOps(AI Ops for IT Operation)における時系列異常検出の総合的な概要を提供する。近年の進歩に基づいて,実世界と次世代の時系列異常検出の今後の方向性を探究する。
論文参考訳（メタデータ） (2023-08-01T09:13:57Z)
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)
Metrics reloaded: Recommendations for image analysis validation [59.60445111432934]
メトリクスのリロード(Metrics Reloaded)は、メトリクスの問題を意識した選択において研究者を導く包括的なフレームワークである。このフレームワークは多段階のDelphiプロセスで開発され、問題指紋という新しい概念に基づいている。問題指紋に基づいて、ユーザは適切なバリデーションメトリクスを選択して適用するプロセスを通じてガイドされる。
論文参考訳（メタデータ） (2022-06-03T15:56:51Z)
Unsupervised Abnormal Traffic Detection through Topological Flow Analysis [1.933681537640272]
悪意のある流れのトポロジカル接続コンポーネントは利用されていない本稿では,教師なし異常検出アルゴリズムにおける接続グラフ機能の利用を容易にするための簡易な手法を提案する。
論文参考訳（メタデータ） (2022-05-14T18:52:49Z)
Functional Anomaly Detection: a Benchmark Study [4.444788548423704]
異常検出は、非常に高い周波数でサンプリングされた測定に依存することができる。本研究の目的は, 実データセット上の機能的設定において, 異常検出のための最近の手法の性能について検討することである。
論文参考訳（メタデータ） (2022-01-13T18:20:32Z)
A2Log: Attentive Augmented Log Anomaly Detection [53.06341151551106]
異常検出は、ITサービスの信頼性とサービス性にとってますます重要になる。既存の教師なし手法は、適切な決定境界を得るために異常な例を必要とする。我々は,異常判定と異常判定の2段階からなる教師なし異常検出手法であるA2Logを開発した。
論文参考訳（メタデータ） (2021-09-20T13:40:21Z)
Unsupervised Domain Adaptive 3D Detection with Multi-Level Consistency [90.71745178767203]
ディープラーニングに基づく3Dオブジェクト検出は、大規模な自律走行データセットの出現によって、前例のない成功を収めた。既存の3Dドメイン適応検出手法は、しばしばターゲットのドメインアノテーションへの事前アクセスを前提とします。我々は、ソースドメインアノテーションのみを利用する、より現実的な、教師なしの3Dドメイン適応検出について研究する。
論文参考訳（メタデータ） (2021-07-23T17:19:23Z)
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)
Building an Automated and Self-Aware Anomaly Detection System [0.0]
異常に対して多種多様かつ常に変化する時系列を積極的に監視することは困難である。伝統的に、データ生成プロセスとパターンのバリエーションは、異常を正確にフラグするモデルを作成するために、強力なモデリングの専門知識を必要としてきた。本稿では,手作業による介入を必要とせず,各モデルに必要な変更を加えることで,この共通課題を克服する異常検出システムについて述べる。
論文参考訳（メタデータ） (2020-11-10T11:19:07Z)

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。