論文の概要: A Comprehensive Survey of Graph-based Deep Learning Approaches for
Anomaly Detection in Complex Distributed Systems
- arxiv url: http://arxiv.org/abs/2206.04149v1
- Date: Wed, 8 Jun 2022 20:19:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-10 15:06:00.815333
- Title: A Comprehensive Survey of Graph-based Deep Learning Approaches for
Anomaly Detection in Complex Distributed Systems
- Title（参考訳）: 複雑な分散システムにおける異常検出のためのグラフベースディープラーニング手法の総合的調査
- Authors: Armin Danesh Pazho, Ghazal Alinezhad Noghre, Arnab A Purkayastha,
Jagannadh Vempati, Otto Martin, and Hamed Tabkhi
- Abstract要約: 複雑な分散システムにおける様々な種類の異常を識別・緩和するグラフベースのアルゴリズムの有意義な可能性について検討する。
本研究は、この分野における最先端の研究論文を分析し、比較し、対比する。
- 参考スコア（独自算出の注目度）: 2.3551989288556774
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly detection is an important problem for complex distributed systems
consisting of hardware and software components. A thorough understanding of the
requirements and challenges of anomaly detection for such systems is pivotal to
the security of a system, especially for real-world deployment. While there
have been many diverse research areas and application domains that deal with
the problem, few have attempted to provide an in-depth look at such systems.
Most anomaly detection techniques have been specifically developed for certain
application domains, while others are more generic. In this survey, we explore
the significant potential of graph-based algorithms to identify and mitigate
different types of anomalies in complex distributed heterogeneous systems. Our
main focus is to provide an in-depth look at graphs when applied on
heterogeneous computing devices spread across complex distributed systems. This
study analyzes, compares, and contrasts the state-of-the-art research articles
in the field. First, we describe the characteristics of the real-world
distributed systems and their specific challenges of anomaly detection in such
complex networks, such as data and evaluation, nature of the anomalies, and
real-world requirements. Later, we discuss why graphs can be leveraged in such
systems and the benefits of utilizing graphs. Then we will aptly delve into the
state-of-the-art approaches and highlight their strength and weaknesses.
Finally, we evaluate and compare these approaches and point out the areas for
possible improvements.
- Abstract（参考訳）: 異常検出は、ハードウェアとソフトウェアコンポーネントで構成される複雑な分散システムにとって重要な問題である。
このようなシステムにおける異常検出の要件と課題を徹底的に理解することは、システムのセキュリティ、特に現実のデプロイメントにとって重要である。
この問題に対処する多様な研究領域やアプリケーションドメインが数多く存在するが、そのようなシステムを詳細に検討しようとする試みは少ない。
ほとんどの異常検出技術は特定のアプリケーションドメイン向けに特別に開発されたが、他のものはより汎用的である。
本研究では,複素分散異種系における様々な種類の異常を識別・緩和するグラフベースアルゴリズムの有意義な可能性について検討する。
私たちの主な焦点は、複雑な分散システムにまたがる異種コンピューティングデバイスに適用する場合、グラフを詳細に調べることです。
本研究は,この分野の最先端の研究論文を分析し,比較し,対比する。
まず,実世界の分散システムの特徴と,データや評価,異常の性質,実世界の要件といった複雑なネットワークにおける異常検出の課題について述べる。
後に、このようなシステムでグラフを活用できる理由とグラフを利用する利点について論じる。
その上で、最先端のアプローチを熟考し、その強みと弱みを強調します。
最後に,これらのアプローチを評価し比較し,改善可能な領域を指摘する。
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) - Progressing from Anomaly Detection to Automated Log Labeling and
Pioneering Root Cause Analysis [53.24804865821692]
本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。
この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
論文 参考訳（メタデータ） (2023-12-22T15:04:20Z) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳（メタデータ） (2023-04-21T02:20:24Z) - Heterogeneous Anomaly Detection for Software Systems via Semi-supervised
Cross-modal Attention [29.654681594903114]
ヘテロジニアスデータに基づいてシステム異常を識別する,最初のエンドツーエンドの半教師付きアプローチであるHadesを提案する。
当社のアプローチでは,ログセマンティクスとメトリックパターンを融合させることで,システムステータスのグローバルな表現を学ぶために階層的アーキテクチャを採用している。
我々はHuawei Cloudの大規模シミュレーションデータとデータセットに基づいてHadesを広範囲に評価する。
論文 参考訳（メタデータ） (2023-02-14T09:02:11Z) - A Hierarchical Approach to Conditional Random Fields for System Anomaly
Detection [0.8164433158925593]
大規模システムにおける異常事象を認識する異常検出は多くの産業において重要である。
階層的なアプローチは、複雑なシステムと局所的な文脈における暗黙の関係を利用する。
論文 参考訳（メタデータ） (2022-10-26T21:02:47Z) - Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。
また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
論文 参考訳（メタデータ） (2021-11-28T14:24:52Z) - A Comprehensive Survey on Graph Anomaly Detection with Deep Learning [37.83120827837028]
異常は稀な観測(例えば、データ記録や出来事)であり、他のものとは大きく異なる。
本研究では,グラフ異常検出のための現代のディープラーニング技術について,体系的かつ包括的にレビューすることを目的とする。
論文 参考訳（メタデータ） (2021-06-14T06:04:57Z) - A neural anisotropic view of underspecification in deep learning [60.119023683371736]
ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。
深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
論文 参考訳（メタデータ） (2021-04-29T14:31:09Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Smart Anomaly Detection in Sensor Systems: A Multi-Perspective Review [0.0]
異常検出は、期待される振る舞いから著しく逸脱するデータパターンを特定することに関わる。
データ分析からe-health、サイバーセキュリティ、予測メンテナンス、障害防止、産業自動化に至るまで、幅広いアプリケーション領域があるため、これは重要な研究課題である。
本稿では,センサシステムの特定の領域における異常検出に使用される最先端手法について概説する。
論文 参考訳（メタデータ） (2020-10-27T09:56:16Z)
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。