論文の概要: PREVENT: An Unsupervised Approach to Predict Software Failures in Production

• arxiv url: http://arxiv.org/abs/2208.11939v2
• Date: Tue, 17 Sep 2024 14:02:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-18 23:00:28.898381
• Title: PREVENT: An Unsupervised Approach to Predict Software Failures in Production
• Title（参考訳）: PreVENT: 運用におけるソフトウェア障害を予測するための教師なしのアプローチ
• Authors: Giovanni Denaro, Rahim Heydarov, Ali Mohebbi, Mauro Pezzè,
• Abstract要約: PreVENTは、教師なしのテクニックを組み合わせることで、分散エンタープライズアプリケーションの障害を予測し、ローカライズするためのアプローチである。 その結果、PreVENTは、長く、しばしば失敗を伴う非現実的なトレーニングを必要とせず、教師付き学習アプローチよりも早い段階で、より安定的で信頼性の高い予測を提供することがわかった。
• 参考スコア（独自算出の注目度）: 5.20605721024686
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper presents PREVENT, an approach for predicting and localizing failures in distributed enterprise applications by combining unsupervised techniques. Software failures can have dramatic consequences in production, and thus predicting and localizing failures is the essential step to activate healing measures that limit the disruptive consequences of failures. At the state of the art, many failures can be predicted from anomalous combinations of system metrics with respect to either rules provided from domain experts or supervised learning models. However, both these approaches limit the effectiveness of current techniques to well understood types of failures that can be either captured with predefined rules or observed while trining supervised models. PREVENT integrates the core ingredients of unsupervised approaches into a novel approach to predict failures and localize failing resources, without either requiring predefined rules or training with observed failures. The results of experimenting with PREVENT on a commercially-compliant distributed cloud system indicate that PREVENT provides more stable and reliable predictions, earlier than or comparably to supervised learning approaches, without requiring long and often impractical training with failures.
• Abstract（参考訳）: 本稿では、教師なし手法を組み合わせることで、分散エンタープライズアプリケーションにおける障害の予測とローカライズのためのアプローチであるPrevENTを提案する。 ソフトウェア障害は生産において劇的な結果をもたらす可能性があるため、失敗の破壊的な結果を制限するヒーリング対策を活性化するための重要なステップは、失敗を予測し、局所化することです。 最先端では、ドメインの専門家や教師付き学習モデルが提供するルールに関して、システムメトリクスの異常な組み合わせから多くの障害を予測することができる。 しかし、どちらの手法も現行の手法の有効性を限定しており、事前定義されたルールでキャプチャしたり、監督されたモデルをトリニングしながら観察できるような、よく理解されたタイプの障害に制限する。 PreVENTは、教師なしアプローチの中核となる要素を、事前に定義されたルールや観察された障害によるトレーニングを必要とせずに、障害を予測し、失敗するリソースをローカライズするための新しいアプローチに統合する。 PreVENTを商用に準拠した分散クラウドシステムで実験した結果、PreVENTはより安定的で信頼性の高い予測を提供することを示している。

関連論文リスト

• On the Generalization Ability of Unsupervised Pretraining [53.06175754026037]
  教師なし学習の最近の進歩は、教師なし事前学習、および微調整がモデル一般化を改善することを示している。 本稿では、教師なし事前学習中に得られた知識の伝達可能性に影響を及ぼす重要な要因をその後の微調整フェーズに照らす新しい理論的枠組みを提案する。 この結果は教師なし事前学習と微調整のパラダイムの理解を深め、より効果的な事前学習アルゴリズムの設計に光を当てることができる。
  論文  参考訳（メタデータ） (2024-03-11T16:23:42Z)
• Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
  本稿では,長期時系列予測のための制約付き学習手法を提案する。 提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-14T18:20:44Z)
• Learning-Based Approaches to Predictive Monitoring with Conformal Statistical Guarantees [2.1684857243537334]
  本チュートリアルは、予測モニタリング(PM)のための効率的な手法に焦点を当てている。 PMは、システムの現在の状態から与えられた要件の将来の違反を検出する問題である。 CPSの予測モニタリングに対する我々のアプローチを要約した、汎用的で包括的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-04T15:16:42Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• Evaluation of Machine Learning Techniques for Forecast Uncertainty Quantification [0.13999481573773068]
  アンサンブル予測は、これまでのところ、関連する予測を生成するための最も成功したアプローチであり、その不確実性を見積もっている。 アンサンブル予測の主な制限は、高い計算コストと異なる不確実性の源を捕捉し定量化することの難しさである。 本研究は,1つの決定論的予測のみを入力として,システムの修正状態と状態不確かさを予測するために訓練されたANNの性能を評価するための概念モデル実験である。
  論文  参考訳（メタデータ） (2021-11-29T16:52:17Z)
• Competence-Aware Path Planning via Introspective Perception [36.39015240656877]
  本稿では,認識の誤りによる計画実行失敗を推論することで,有能な計画立案のための構造的モデルフリーアプローチを提案する。 タスクレベルの能力を反復的に学習し活用するためのベイズ的枠組みである,イントロスペクティブ・イントロスペクティブ・インセプティヴ・インセプティヴ・インセプティヴ・インセプティヴ・パス・プランニング(CPIP)を導入する。
  論文  参考訳（メタデータ） (2021-09-28T18:29:21Z)
• Safe Chance Constrained Reinforcement Learning for Batch Process Control [0.0]
  強化学習(RL)コントローラは,コントロールコミュニティ内で興奮を引き起こしている。 エンジニアリングアプリケーションに関する最近の焦点は、安全なRLコントローラの開発に向けられている。
  論文  参考訳（メタデータ） (2021-04-23T16:48:46Z)
• DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
  認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。 一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-16T23:50:35Z)
• An Uncertainty-based Human-in-the-loop System for Industrial Tool Wear Analysis [68.8204255655161]
  人間のループシステムにおけるモンテカルロのドロップアウトに基づく不確実性対策により,システムの透明性と性能が向上することを示す。 シミュレーション研究により、不確実性に基づく「ループ内人間システム」は、様々なレベルの人間の関与に対する性能を高めることが示されている。
  論文  参考訳（メタデータ） (2020-07-14T15:47:37Z)
• Identifying Causal-Effect Inference Failure with Uncertainty-Aware Models [41.53326337725239]
  本稿では,不確実性推定を最先端のニューラルネットワーク手法のクラスに統合する実践的アプローチを提案する。 提案手法は,高次元データに共通する「非オーバーラップ」の状況に優雅に対処できることを示す。 正確なモデリングの不確実性は、過度に自信を持ち、潜在的に有害なレコメンデーションを与えるのを防ぐことができる。
  論文  参考訳（メタデータ） (2020-07-01T00:37:41Z)
• Excursion Search for Constrained Bayesian Optimization under a Limited Budget of Failures [62.41541049302712]
  本稿では,所定の予算の失敗の関数として探索において許容されるリスクの量を制御する制御理論に基づく新しい意思決定者を提案する。 本アルゴリズムは, 種々の最適化実験において, 故障予算をより効率的に利用し, 一般に, 最先端の手法よりも, 後悔度を低くする。
  論文  参考訳（メタデータ） (2020-05-15T09:54:09Z)

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。