論文の概要: A Light-weight and Unsupervised Method for Near Real-time Behavioral
Analysis using Operational Data Measurement
- arxiv url: http://arxiv.org/abs/2402.05114v1
- Date: Wed, 10 Jan 2024 10:22:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-11 15:14:42.513361
- Title: A Light-weight and Unsupervised Method for Near Real-time Behavioral
Analysis using Operational Data Measurement
- Title（参考訳）: 操作データ計測を用いた近リアルタイム行動分析のための軽量・教師なし手法
- Authors: Tom Richard Vargis, Siavash Ghiasvand
- Abstract要約: 本研究は,近時異常検出のための軽量で教師なしの汎用手法を提案する。
提案するモデルでは,コンピュータシステムの動作パターンを正確に再現するために,トレーニングプロセス毎に4時間程度のデータと50のエポックを必要とする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Monitoring the status of large computing systems is essential to identify
unexpected behavior and improve their performance and uptime. However, due to
the large-scale and distributed design of such computing systems as well as a
large number of monitoring parameters, automated monitoring methods should be
applied. Such automatic monitoring methods should also have the ability to
adapt themselves to the continuous changes in the computing system. In
addition, they should be able to identify behavioral anomalies in useful time,
to perform appropriate reactions. This work proposes a general lightweight and
unsupervised method for near real-time anomaly detection using operational data
measurement on large computing systems. The proposed model requires as little
as 4 hours of data and 50 epochs for each training process to accurately
resemble the behavioral pattern of computing systems.
- Abstract（参考訳）: 大規模コンピューティングシステムの状態をモニタリングすることは、予期せぬ振る舞いを特定し、パフォーマンスとアップタイムを改善するために不可欠である。
しかし,そのような計算機システムの大規模かつ分散的な設計と多数の監視パラメータにより,自動監視手法が適用されるべきである。
このような自動監視手法は、コンピューティングシステムの継続的な変化に適応する能力も備えるべきである。
さらに、適切な反応を行うために、有用な時間内に行動異常を識別できる必要がある。
本研究は,大規模計算機システムにおける運用データ計測を用いた近時異常検出のための軽量で教師なしの汎用手法を提案する。
提案モデルでは,コンピュータシステムの動作パターンを正確に再現するために,トレーニングプロセス毎に4時間程度のデータと50のエポックを必要とする。
関連論文リスト
- Designing monitoring strategies for deployed machine learning
algorithms: navigating performativity through a causal lens [6.329470650220206]
この研究の目的は、監視戦略を設計する際の比較的過小評価されている複雑さを強調することである。
MLに基づく未計画の読み出し予測のためのリスク予測アルゴリズムについて検討する。
このケーススタディの結果は、すべての監視システムが平等に作成されるわけではないという、一見単純な(そして明らかな)事実を強調します。
論文 参考訳（メタデータ） (2023-11-20T00:15:16Z) - Is Your Anomaly Detector Ready for Change? Adapting AIOps Solutions to the Real World [15.1355549683548]
モデル更新頻度から2種類の異常検出モデル保守手法を解析した。
我々は、データ変更監視ツールが、再トレーニングによって異常検出モデルを更新する必要があるかどうかを判断できるかどうかを検討する。
論文 参考訳（メタデータ） (2023-11-17T09:54:35Z) - Representing Timed Automata and Timing Anomalies of Cyber-Physical
Production Systems in Knowledge Graphs [51.98400002538092]
本稿では,学習されたタイムドオートマトンとシステムに関する公式知識グラフを組み合わせることで,CPPSのモデルベース異常検出を改善することを目的とする。
モデルと検出された異常の両方を知識グラフに記述し、モデルと検出された異常をより容易に解釈できるようにする。
論文 参考訳（メタデータ） (2023-08-25T15:25:57Z) - 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) - 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) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - 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) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳（メタデータ） (2020-10-29T08:27:43Z) - ReRe: A Lightweight Real-time Ready-to-Go Anomaly Detection Approach for
Time Series [0.27528170226206433]
本稿では,リアルタイム・レディ・トゥ・ゴー・プロアクティブ・異常検出アルゴリズムReReを紹介する。
ReReは2つの軽量Long Short-Term Memory (LSTM)モデルを使用して、次のデータポイントが異常であるか否かを予測し、共同で判断する。
実世界の時系列データセットに基づく実験は、リアルタイム異常検出におけるReReの優れた性能を示す。
論文 参考訳（メタデータ） (2020-04-05T21:26:24Z) - Real-time Out-of-distribution Detection in Learning-Enabled
Cyber-Physical Systems [1.4213973379473654]
サイバー物理システムは、現実世界の不確実性と可変性を処理できる機械学習コンポーネントを使用することで恩恵を受ける。
しかし、ディープニューラルネットワークは、システムの安全性に影響を及ぼす可能性のある、新しいタイプのハザードを導入している。
アウト・オブ・ディストリビューションデータは大きなエラーを引き起こし、安全性を損なう可能性がある。
論文 参考訳（メタデータ） (2020-01-28T17:51:07Z)
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。