論文の概要: RiskLoc: Localization of Multi-dimensional Root Causes by Weighted Risk
- arxiv url: http://arxiv.org/abs/2205.10004v1
- Date: Fri, 20 May 2022 07:43:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-23 15:35:12.780071
- Title: RiskLoc: Localization of Multi-dimensional Root Causes by Weighted Risk
- Title（参考訳）: RiskLoc: 重み付きリスクによる多次元ルートの局所化
- Authors: Marcus Kalander
- Abstract要約: 大規模ソフトウェアシステムの失敗と異常は避けられない出来事である。
オペレータは、迅速な修理を容易にするために、その位置を迅速かつ正確に特定する必要がある。
本稿では,多次元根本原因局所化問題の解法としてリスクロックを提案する。
- 参考スコア（独自算出の注目度）: 1.2691047660244335
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Failures and anomalies in large-scale software systems are unavoidable
incidents. When an issue is detected, operators need to quickly and correctly
identify its location to facilitate a swift repair. In this work, we consider
the problem of identifying the root cause set that best explains an anomaly in
multi-dimensional time series with categorical attributes. The huge search
space is the main challenge, even for a small number of attributes and small
value sets, the number of theoretical combinations is too large to brute force.
Previous approaches have thus focused on reducing the search space, but they
all suffer from various issues, requiring extensive manual parameter tuning,
being too slow and thus impractical, or being incapable of finding more complex
root causes. We propose RiskLoc to solve the problem of multidimensional root
cause localization. RiskLoc applies a 2-way partitioning scheme and assigns
element weights that linearly increase with the distance from the partitioning
point. A risk score is assigned to each element that integrates two factors, 1)
its weighted proportion within the abnormal partition, and 2) the relative
change in the deviation score adjusted for the ripple effect property.
Extensive experiments on multiple datasets verify the effectiveness and
efficiency of RiskLoc, and for a comprehensive evaluation, we introduce three
synthetically generated datasets that complement existing datasets. We
demonstrate that RiskLoc consistently outperforms state-of-the-art baselines,
especially in more challenging root cause scenarios, with gains in F1-score up
to 57% over the second-best approach with comparable running times.
- Abstract（参考訳）: 大規模ソフトウェアシステムの失敗と異常は避けられない出来事である。
問題が検出されると、オペレータはその位置を迅速かつ正確に識別し、迅速な修復を容易にする必要がある。
本研究では,多次元時系列におけるカテゴリー属性の異常を最もよく説明する根本原因集合を同定する問題を考える。
巨大な検索空間が主な課題であり、少数の属性と小さな値集合であっても、理論的な組み合わせの数が大きすぎるので、力は弱すぎる。
これまでのアプローチでは検索スペースの削減に重点を置いていたが、それらはすべて様々な問題に悩まされており、手動のパラメータチューニングが必要であり、遅すぎるため実用的ではない。
本稿では,多次元根本原因局所化問題の解法としてリスクロックを提案する。
RiskLocは2方向のパーティショニングスキームを適用し、パーティショニングポイントからの距離で線形に増加する要素重みを割り当てる。
リスクスコアは2つの要素を統合する各要素に割り当てられる。
1)異常分割における重み付け比率、及び
2) リップル効果特性に応じて偏差値の相対的変化が調整された。
複数のデータセットに対する大規模な実験により、RassLocの有効性と効率が検証され、包括的な評価のために、既存のデータセットを補完する3つの合成データセットを導入する。
risklocは最先端のベースライン、特により困難な根本原因シナリオを一貫して上回っており、f1-scoreは2位から57%まで向上し、実行時間は同等である。
関連論文リスト
- Is Parameter Collision Hindering Continual Learning in LLMs? [50.57658782050275]
大規模言語モデル(LLM)は、複数のタスクを逐次学習する際に破滅的な忘れに悩まされることが多い。
CL問題に対処する上で,非衝突パラメータの構築はより重要な相互依存因子であることを示す。
低衝突速度を利用してLCMのCLを向上する単純なアプローチである非衝突低ランク適応(N-LoRA)を提案する。
論文 参考訳（メタデータ） (2024-10-14T05:54:11Z) - Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳（メタデータ） (2024-02-04T05:50:38Z) - Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution [89.16750999704969]
異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。
自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
自己教師型3領域異常検出器(TriAD)を提案する。
論文 参考訳（メタデータ） (2023-11-19T05:37:18Z) - Generic and Robust Root Cause Localization for Multi-Dimensional Data in
Online Service Systems [22.308016571592105]
多次元データに対する根本原因のローカライズは、オンラインサービスシステムの信頼性を保証するために重要である。
本稿では,多次元データPSqueezeに対する汎用的かつロバストな根本原因ローカライズ手法を提案する。
いくつかの生産システムにおけるケーススタディでは、PSqueezeが現実世界の故障診断に役立つことが示されている。
論文 参考訳（メタデータ） (2023-05-05T07:22:30Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - Deep Hierarchy in Bandits [51.22833900944146]
行動の報酬は、しばしば相関する。
統計的効率を最大化するためには,これらの相関を学習に活用することが重要である。
平均作用報酬の相関が階層的ベイズモデルで表されるこの問題のバンディット変法を定式化する。
論文 参考訳（メタデータ） (2022-02-03T08:15:53Z) - Causal Discovery from Sparse Time-Series Data Using Echo State Network [0.0]
時系列データ間の因果関係の発見は、症状の原因の診断に役立つ。
本稿では,2つの部分から構成される新しいシステムを提案する。第1部はガウスプロセス回帰を,第2部はエコー状態ネットワークを活用する。
本稿では,対応するマシューズ相関係数 (MCC) と受信器動作特性曲線 (ROC) について報告する。
論文 参考訳（メタデータ） (2022-01-09T05:55:47Z) - DeepFIB: Self-Imputation for Time Series Anomaly Detection [5.4921159672644775]
時系列異常検出(AD)は、金融および医療監視における不正検出など、様々な応用において重要な役割を果たす。
時系列におけるADのための新しい自己教師型学習手法,すなわちemphDeepFIBを提案する。
我々は、DeepFIBが最先端の手法を大きなマージンで上回り、F1スコアの相対的な改善を65.2%まで達成していることを示す。
論文 参考訳（メタデータ） (2021-12-12T14:28:06Z) - Neural Pruning via Growing Regularization [82.9322109208353]
プルーニングの2つの中心的な問題:プルーニングのスケジュールと重み付けの重要度だ。
具体的には, ペナルティ要因が増大するL2正規化変種を提案し, 精度が著しく向上することを示した。
提案アルゴリズムは,構造化プルーニングと非構造化プルーニングの両方において,大規模データセットとネットワークの実装が容易かつスケーラブルである。
論文 参考訳（メタデータ） (2020-12-16T20:16:28Z)
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。