論文の概要: Synthetic Time Series for Anomaly Detection in Cloud Microservices

• arxiv url: http://arxiv.org/abs/2408.00006v1
• Date: Sun, 21 Jul 2024 11:23:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-19 05:28:21.297291
• Title: Synthetic Time Series for Anomaly Detection in Cloud Microservices
• Title（参考訳）: クラウドマイクロサービスにおける異常検出のための合成時系列
• Authors: Mohamed Allam, Noureddine Boujnah, Noel E. O'Connor, Mingming Liu,
• Abstract要約: 本稿では,クラウドコンピューティングにおける異常検出のための時系列生成フレームワークを提案する。 我々は、デプロイメントと管理を可能にするパイプライン実装と、異常生成に必要な理論的アプローチについて詳述する。 提案されたフレームワークを使って生成された2つのデータセットがGitHubから公開されている。
• 参考スコア（独自算出の注目度）: 9.44541023672687
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a framework for time series generation built to investigate anomaly detection in cloud microservices. In the field of cloud computing, ensuring the reliability of microservices is of paramount concern and yet a remarkably challenging task. Despite the large amount of research in this area, validation of anomaly detection algorithms in realistic environments is difficult to achieve. To address this challenge, we propose a framework to mimic the complex time series patterns representative of both normal and anomalous cloud microservices behaviors. We detail the pipeline implementation that allows deployment and management of microservices as well as the theoretical approach required to generate anomalies. Two datasets generated using the proposed framework have been made publicly available through GitHub.
• Abstract（参考訳）: 本稿では,クラウドマイクロサービスにおける異常検出を調査するための時系列生成フレームワークを提案する。 クラウドコンピューティングの分野では、マイクロサービスの信頼性を保証することが最重要課題でありながら、非常に難しい課題です。 この分野における多くの研究にもかかわらず、現実的な環境における異常検出アルゴリズムの検証は困難である。 この課題に対処するために,通常のマイクロサービスと異常なマイクロサービスの挙動を表す複雑な時系列パターンを模倣するフレームワークを提案する。 マイクロサービスのデプロイメントと管理を可能にするパイプライン実装と、異常生成に必要な理論的アプローチについて詳述する。 提案されたフレームワークを使って生成された2つのデータセットがGitHubから公開されている。

関連論文リスト

• Anomaly Detection in Large-Scale Cloud Systems: An Industry Case and Dataset [1.293050392312921]
  我々は、IBM Cloud Consoleから4.5ヶ月以上にわたって収集された、IBM Cloudからの新しい高次元データセットを紹介します。 このデータセットは39,365行と117,448列のテレメトリデータからなる。 本稿では、異常検出のための機械学習モデルの応用を実演し、このプロセスで直面する重要な課題について論じる。
  論文  参考訳（メタデータ） (2024-11-13T22:04:19Z)
• 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)
• Root Cause Localization for Microservice Systems in Cloud-edge Collaborative Environments [9.694588952789257]
  マイクロサービスベースのソフトウェアシステムは、障害発生時の根本原因を正確に特定する上で、課題に直面します。 我々は,クラウドエッジの協調環境において,カーネルとアプリケーションレベルで根本原因をピンポイントする新しいアプローチであるMicroCERCLを提案する。 このような環境では、MicroCERCLはマイクロサービスシステムの根本原因を正確にローカライズすることができ、最先端のアプローチよりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-06-19T14:49:37Z)
• 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)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Real-Time Outlier Detection with Dynamic Process Limits [0.609170287691728]
  本稿では,既存のリアルタイムインフラストラクチャを対象としたオンライン異常検出アルゴリズムを提案する。 オンライン逆累積分布に基づく手法を導入し、オフライン異常検出器の一般的な問題を排除した。 提案手法の利点は, 実マイクログリッド演算データの2例に示すように, 使いやすさ, 高速計算, 展開性である。
  論文  参考訳（メタデータ） (2023-01-31T10:23:02Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)
• Super-resolution GANs of randomly-seeded fields [68.8204255655161]
  ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。 このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。 提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
  論文  参考訳（メタデータ） (2022-02-23T18:57:53Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• RobustTAD: Robust Time Series Anomaly Detection via Decomposition and Convolutional Neural Networks [37.16594704493679]
  本稿では,ロバスト時系列異常検出フレームワークRobustTADを提案する。 時系列データのために、堅牢な季節差分解と畳み込みニューラルネットワークを統合する。 パブリックオンラインサービスとしてデプロイされ、Alibaba Groupのさまざまなビジネスシナリオで広く採用されている。
  論文  参考訳（メタデータ） (2020-02-21T20:43:45Z)

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。