Fugu-MT 論文翻訳(概要): Twin Graph-based Anomaly Detection via Attentive Multi-Modal Learning for Microservice System

論文の概要: Twin Graph-based Anomaly Detection via Attentive Multi-Modal Learning for Microservice System

arxiv url: http://arxiv.org/abs/2310.04701v1
Date: Sat, 7 Oct 2023 06:28:41 GMT
ステータス: 処理完了
システム内更新日: 2023-10-12 16:39:28.402743
Title: Twin Graph-based Anomaly Detection via Attentive Multi-Modal Learning for Microservice System
Title（参考訳）: マイクロサービスシステムのための注意型マルチモーダル学習による双対グラフに基づく異常検出
Authors: Jun Huang, Yang Yang, Hang Yu, Jianguo Li, Xiao Zheng
Abstract要約: 我々は,マルチモーダル学習を通じて利用可能なすべてのデータモダリティをシームレスに統合するMSTGADを提案する。本研究では,異なるモーダル間の相関関係をモデル化するために,空間的および時間的注意機構を備えたトランスフォーマーベースニューラルネットワークを構築した。これにより、リアルタイムで自動的かつ正確に異常を検出することができる。
参考スコア（独自算出の注目度）: 24.2074235652359
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Microservice architecture has sprung up over recent years for managing enterprise applications, due to its ability to independently deploy and scale services. Despite its benefits, ensuring the reliability and safety of a microservice system remains highly challenging. Existing anomaly detection algorithms based on a single data modality (i.e., metrics, logs, or traces) fail to fully account for the complex correlations and interactions between different modalities, leading to false negatives and false alarms, whereas incorporating more data modalities can offer opportunities for further performance gain. As a fresh attempt, we propose in this paper a semi-supervised graph-based anomaly detection method, MSTGAD, which seamlessly integrates all available data modalities via attentive multi-modal learning. First, we extract and normalize features from the three modalities, and further integrate them using a graph, namely MST (microservice system twin) graph, where each node represents a service instance and the edge indicates the scheduling relationship between different service instances. The MST graph provides a virtual representation of the status and scheduling relationships among service instances of a real-world microservice system. Second, we construct a transformer-based neural network with both spatial and temporal attention mechanisms to model the inter-correlations between different modalities and temporal dependencies between the data points. This enables us to detect anomalies automatically and accurately in real-time. The source code of MSTGAD is publicly available at https://github.com/alipay/microservice_system_twin_graph_based_anomaly_detection.
Abstract（参考訳）: マイクロサービスアーキテクチャは、独立してサービスをデプロイし、スケールできるため、近年、エンタープライズアプリケーションを管理するために発展してきた。そのメリットにもかかわらず、マイクロサービスシステムの信頼性と安全性の確保は非常に困難である。単一のデータモダリティ(すなわちメトリクス、ログ、トレース)に基づく既存の異常検出アルゴリズムは、異なるモダリティ間の複雑な相関と相互作用を完全に説明できず、偽陰性と偽アラームにつながるが、より多くのデータモダリティを組み込むことは、さらなるパフォーマンス向上の機会を提供する。新たな試みとして,注意型マルチモーダル学習を通じて利用可能なすべてのデータモダリティをシームレスに統合する半教師付きグラフベース異常検出手法 MSTGAD を提案する。まず、各ノードがサービスインスタンスを表現し、エッジが異なるサービスインスタンス間のスケジューリング関係を示すMST(microservice system twin)グラフを用いて、これらの特徴を抽出し、正規化する。 MSTグラフは、現実世界のマイクロサービスシステムのサービスインスタンス間のステータスとスケジューリングの関係の仮想表現を提供する。第2に,空間的および時間的注意機構を備えたトランスフォーマーベースニューラルネットワークを構築し,データポイント間の時間的依存と異なるモーダル間の相関をモデル化する。これにより、リアルタイムで自動的かつ正確に異常を検出することができる。 MSTGADのソースコードはhttps://github.com/alipay/microservice_system_twin_graph_based_anomaly_detectionで公開されている。

関連論文リスト

System States Forecasting of Microservices with Dynamic Spatio-Temporal Data [9.519440926598524]
現在の予測手法は、関係が重要となる環境では不十分である。短期および長期の予測タスクでは,MAE(Mean Absolute Error)の8.6%削減,MSE(Mean Squared Error)の2.2%削減を達成した。
論文参考訳（メタデータ） (2024-08-15T02:52:02Z)
CHASE: A Causal Heterogeneous Graph based Framework for Root Cause Analysis in Multimodal Microservice Systems [22.00860661894853]
マルチモーダルデータを持つマイクロサービスシステムにおける根本原因解析,すなわちCHASEのための因数不均一なgraAph baSed framEworkを提案する。 CHASEは、因果関係の流れを表すハイパーエッジを持つ構築されたハイパーグラフから学習し、根本原因の局在を実行する。
論文参考訳（メタデータ） (2024-06-28T07:46:51Z)
PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文参考訳（メタデータ） (2024-06-04T13:51:08Z)
Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
論文参考訳（メタデータ） (2024-01-24T03:43:45Z)
A Microservices Identification Method Based on Spectral Clustering for Industrial Legacy Systems [5.255685751491305]
本稿では,スペクトルグラフ理論に基づくマイクロサービス候補抽出のための自動分解手法を提案する。提案手法は,ドメインの専門家が関与しなくても,良好な結果が得られることを示す。
論文参考訳（メタデータ） (2023-12-20T07:47:01Z)
Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
論文参考訳（メタデータ） (2023-09-11T08:44:07Z)
Robust Multimodal Failure Detection for Microservice Systems [32.25907616511765]
AnoFusionは、マイクロサービスシステムに対する教師なしの障害検出アプローチである。異種マルチモーダルデータの相関を学習し、グラフ注意ネットワーク(GAT)とGRU(Gated Recurrent Unit)を統合する。これはそれぞれ0.857と0.922のF1スコアを達成し、最先端の故障検出手法より優れている。
論文参考訳（メタデータ） (2023-05-30T12:39:42Z)
Efficient pattern-based anomaly detection in a network of multivariate devices [0.17188280334580192]
2段階のアプローチで異常を検出するスケーラブルな手法を提案する。まず、ネットワーク内のエンティティ間の関係を復元する。なぜなら関係は自然界において動的であり、原因不明のプロセスによって引き起こされることが多いからだ。次に、逐次パターンの埋め込みに基づく異常を報告する。
論文参考訳（メタデータ） (2023-05-07T16:05:30Z)
Federated Stochastic Gradient Descent Begets Self-Induced Momentum [151.4322255230084]
Federated Learning(FL)は、モバイルエッジシステムに適用可能な、新興の機械学習手法である。このような条件下での勾配降下(SGD)への走行は,大域的な集約プロセスに運動量的な項を加えるとみなすことができる。
論文参考訳（メタデータ） (2022-02-17T02:01:37Z)
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)
Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。