論文の概要: Heterogeneous Anomaly Detection for Software Systems via Semi-supervised Cross-modal Attention

• arxiv url: http://arxiv.org/abs/2302.06914v1
• Date: Tue, 14 Feb 2023 09:02:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-15 15:53:47.225324
• Title: Heterogeneous Anomaly Detection for Software Systems via Semi-supervised Cross-modal Attention
• Title（参考訳）: 半教師付きクロスモーダル注意によるソフトウェアシステムの異種異常検出
• Authors: Cheryl Lee, Tianyi Yang, Zhuangbin Chen, Yuxin Su, Yongqiang Yang, Michael R. Lyu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 29.654681594903114
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Prompt and accurate detection of system anomalies is essential to ensure the reliability of software systems. Unlike manual efforts that exploit all available run-time information, existing approaches usually leverage only a single type of monitoring data (often logs or metrics) or fail to make effective use of the joint information among different types of data. Consequently, many false predictions occur. To better understand the manifestations of system anomalies, we conduct a systematical study on a large amount of heterogeneous data, i.e., logs and metrics. Our study demonstrates that logs and metrics can manifest system anomalies collaboratively and complementarily, and neither of them only is sufficient. Thus, integrating heterogeneous data can help recover the complete picture of a system's health status. In this context, we propose Hades, the first end-to-end semi-supervised approach to effectively identify system anomalies based on heterogeneous data. Our approach employs a hierarchical architecture to learn a global representation of the system status by fusing log semantics and metric patterns. It captures discriminative features and meaningful interactions from heterogeneous data via a cross-modal attention module, trained in a semi-supervised manner. We evaluate Hades extensively on large-scale simulated data and datasets from Huawei Cloud. The experimental results present the effectiveness of our model in detecting system anomalies. We also release the code and the annotated dataset for replication and future research.
• Abstract（参考訳）: ソフトウェアシステムの信頼性を確保するには,システム異常の迅速かつ正確な検出が不可欠である。 利用可能なすべての実行時情報を利用する手作業とは異なり、既存のアプローチは通常、単一のタイプの監視データ(しばしばログやメトリクス)のみを利用するか、異なるタイプのデータ間でジョイント情報を効果的に利用しない。 その結果、多くの誤った予測が生じる。 システム異常の顕現をよりよく理解するために,大量の異種データ,すなわちログやメトリクスを体系的に研究する。 本研究は,ログとメトリクスが協調的かつ補完的にシステム異常を発現できることを示し,どちらも十分ではないことを示した。 これにより、異種データの統合は、システムの健康状態の全体像を回復するのに役立つ。 本稿では,ヘテロジニアスデータに基づくシステムの異常を効果的に識別する最初のエンドツーエンド半教師付きアプローチであるhadesを提案する。 このアプローチでは,ログセマンティクスとメトリックパターンを融合することにより,システム状態のグローバル表現を学ぶために階層的アーキテクチャを用いる。 半教師付き方法で訓練されたクロスモーダルアテンションモジュールを通じて、異種データからの識別的特徴と有意義な相互作用をキャプチャする。 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。 実験結果は,本モデルがシステム異常の検出に有効であることを示す。 また、複製と将来の研究のためのコードと注釈付きデータセットもリリースしています。

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)
• MLAD: A Unified Model for Multi-system Log Anomaly Detection [35.68387377240593]
  複数のシステムにまたがる意味的関係推論を組み込んだ新しい異常検出モデルMLADを提案する。 具体的には、Sentence-bertを用いてログシーケンス間の類似性を捉え、それらを高次元の学習可能な意味ベクトルに変換する。 我々は,各キーワードのシーケンスにおける意義を識別し,マルチシステムデータセットの全体分布をモデル化するために,アテンション層の公式を改訂する。
  論文  参考訳（メタデータ） (2024-01-15T12:51:13Z)
• 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)
• 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)
• CSCAD: Correlation Structure-based Collective Anomaly Detection in Complex System [11.739889613196619]
  大規模システムにおける高次元異常検出問題に対する相関構造に基づく集団異常検出モデルを提案する。 本フレームワークでは,変分オートエンコーダを組み合わせたグラフ畳み込みネットワークを用いて,特徴空間の相関とサンプルの再構成不足を共同で活用する。 異常判別ネットワークは、低異常度サンプルを正のサンプルとして、高異常度サンプルを負のサンプルとしてトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-05-30T09:28:25Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• 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)
• Multi-Source Anomaly Detection in Distributed IT Systems [0.2538209532048867]
  分散システムにおける異常検出のタスクには、分散トレースとシステムログデータからの共同表現を利用します。 我々は、ログと分散トレースの両方の異常検出の一般化として使用される学習タスク(次のテンプレート予測NTP)を形式化する。
  論文  参考訳（メタデータ） (2021-01-13T10:11:32Z)
• Self-Attentive Classification-Based Anomaly Detection in Unstructured Logs [59.04636530383049]
  ログ表現を学習するための分類法であるLogsyを提案する。 従来の方法と比較して,F1スコアの平均0.25の改善を示す。
  論文  参考訳（メタデータ） (2020-08-21T07:26:55Z)

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。