論文の概要: Case Studies of Causal Discovery from IT Monitoring Time Series

• arxiv url: http://arxiv.org/abs/2307.15678v1
• Date: Fri, 28 Jul 2023 17:13:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-31 11:52:52.451822
• Title: Case Studies of Causal Discovery from IT Monitoring Time Series
• Title（参考訳）: ITモニタリング時系列からの因果発見のケーススタディ
• Authors: Ali A\"it-Bachir, Charles K. Assaad, Christophe de Bignicourt, Emilie Devijver, Simon Ferreira, Eric Gaussier, Hosein Mohanna, Lei Zan
• Abstract要約: 因果発見に対する関心は、IT監視システムで増加している。 IT監視データに因果発見アルゴリズムを適用することが課題となる。 本稿では,異なるITモニタリングデータセットに因果探索アルゴリズムを適用するケーススタディを提案する。
• 参考スコア（独自算出の注目度）: 3.2688234165632504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Information technology (IT) systems are vital for modern businesses, handling data storage, communication, and process automation. Monitoring these systems is crucial for their proper functioning and efficiency, as it allows collecting extensive observational time series data for analysis. The interest in causal discovery is growing in IT monitoring systems as knowing causal relations between different components of the IT system helps in reducing downtime, enhancing system performance and identifying root causes of anomalies and incidents. It also allows proactive prediction of future issues through historical data analysis. Despite its potential benefits, applying causal discovery algorithms on IT monitoring data poses challenges, due to the complexity of the data. For instance, IT monitoring data often contains misaligned time series, sleeping time series, timestamp errors and missing values. This paper presents case studies on applying causal discovery algorithms to different IT monitoring datasets, highlighting benefits and ongoing challenges.
• Abstract（参考訳）: 情報技術(IT)システムは、データストレージ、通信、プロセス自動化を扱う現代ビジネスにとって不可欠である。 これらのシステムのモニタリングは、分析のために広範囲の観測時系列データを集めることができるため、適切な機能と効率に欠かせない。 因果発見への関心は、it監視システムにおいて、itシステムのさまざまなコンポーネント間の因果関係を知ることがダウンタイムの低減、システムパフォーマンスの向上、異常やインシデントの根本原因の特定に役立つため、増大している。 また、過去のデータ分析によって将来の問題を積極的に予測できる。 その潜在的な利点にもかかわらず、IT監視データに因果発見アルゴリズムを適用することは、データの複雑さのために課題を生じさせる。 例えば、IT監視データには、不整合時系列、睡眠時系列、タイムスタンプエラー、欠落した値が含まれていることが多い。 本稿では,さまざまなit監視データセットに因果発見アルゴリズムを適用する場合のケーススタディについて述べる。

関連論文リスト

• 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)
• 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)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• 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)
• Lightweight Automated Feature Monitoring for Data Streams [1.4658400971135652]
  そこで本稿では,データドリフトを検出するFM(Feature Monitoring)システムを提案する。 システムは、システムによって使用されるすべての機能を監視し、アラームが発生するたびにランク付けされる解釈可能な機能を提供します。 これは、FMが特定のタイプの問題を検出するためにカスタムシグナルを追加する必要をなくし、利用可能な機能の空間を監視するのに十分であることを示している。
  論文  参考訳（メタデータ） (2022-07-18T14:38:11Z)
• 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)
• How Can Subgroup Discovery Help AIOps? [0.0]
  サブグループディスカバリがAIOpsにどのように役立つかを研究する。 このプロジェクトには、フランスのソフトウェアエディタであるInfologicalのデータマイニングの研究者と実践者の両方が含まれる。
  論文  参考訳（メタデータ） (2021-09-10T14:41:02Z)
• Federated Variational Learning for Anomaly Detection in Multivariate Time Series [13.328883578980237]
  本稿では,非教師付き時系列異常検出フレームワークを提案する。 我々は,畳み込みGated Recurrent Unit(ConvGRU)モデルに基づいて,共有変分オートエンコーダ(VAE)を学習するために,エッジに分散したトレーニングデータを残しておく。 3つの実世界のネットワークセンサーデータセットの実験は、他の最先端モデルに対する我々のアプローチの利点を示しています。
  論文  参考訳（メタデータ） (2021-08-18T22:23:15Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• Causal Inference for Time series Analysis: Problems, Methods and Evaluation [11.925605453634638]
  時系列データ(英: Time series data)は、医学や金融などの分野によって生成される時系列観測の集合である。 本稿では,時系列データに対する治療効果推定と因果探索という2つの因果推論タスクに着目した。
  論文  参考訳（メタデータ） (2021-02-11T03:26:11Z)
• Data Mining with Big Data in Intrusion Detection Systems: A Systematic Literature Review [68.15472610671748]
  クラウドコンピューティングは、複雑で高性能でスケーラブルな計算のために、強力で必要不可欠な技術になっている。 データ生成の迅速化とボリュームは、データ管理とセキュリティに重大な課題をもたらし始めている。 ビッグデータ設定における侵入検知システム(IDS)の設計と展開が重要視されている。
  論文  参考訳（メタデータ） (2020-05-23T20:57:12Z)

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。