論文の概要: System States Forecasting of Microservices with Dynamic Spatio-Temporal Data
- arxiv url: http://arxiv.org/abs/2408.07894v1
- Date: Thu, 15 Aug 2024 02:52:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-16 15:09:23.300158
- Title: System States Forecasting of Microservices with Dynamic Spatio-Temporal Data
- Title(参考訳): 動的時空間データによるマイクロサービスのシステム状態予測
- Authors: Yifei Xu, Jingguo Ge, Haina Tang, Shuai Ding, Tong Li, Hui Li,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 9.519440926598524
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the AIOps (Artificial Intelligence for IT Operations) era, accurately forecasting system states is crucial. In microservices systems, this task encounters the challenge of dynamic and complex spatio-temporal relationships among microservice instances, primarily due to dynamic deployments, diverse call paths, and cascading effects among instances. Current time-series forecasting methods, which focus mainly on intrinsic patterns, are insufficient in environments where spatial relationships are critical. Similarly, spatio-temporal graph approaches often neglect the nature of temporal trend, concentrating mostly on message passing between nodes. Moreover, current research in microservices domain frequently underestimates the importance of network metrics and topological structures in capturing the evolving dynamics of systems. This paper introduces STMformer, a model tailored for forecasting system states in microservices environments, capable of handling multi-node and multivariate time series. Our method leverages dynamic network connection data and topological information to assist in modeling the intricate spatio-temporal relationships within the system. Additionally, we integrate the PatchCrossAttention module to compute the impact of cascading effects globally. We have developed a dataset based on a microservices system and conducted comprehensive experiments with STMformer against leading methods. In both short-term and long-term forecasting tasks, our model consistently achieved a 8.6% reduction in MAE(Mean Absolute Error) and a 2.2% reduction in MSE (Mean Squared Error). The source code is available at https://github.com/xuyifeiiie/STMformer.
- Abstract(参考訳): AIOps(Artificial Intelligence for IT Operations)の時代には、システムの状態を正確に予測することが重要です。
マイクロサービスシステムでは、このタスクは、動的デプロイメント、多様なコールパス、インスタンス間のカスケード効果など、マイクロサービスインスタンス間の動的で複雑な時空間的関係の課題に直面する。
空間的関係が重要となる環境では,本質的なパターンに着目した現行の時系列予測手法は不十分である。
同様に、時空間グラフのアプローチは、時間的傾向の性質を無視し、主にノード間のメッセージパッシングに集中する。
さらに、マイクロサービス領域における現在の研究は、システムの進化するダイナミクスを捉える上で、ネットワークメトリクスとトポロジ構造の重要性を過小評価することが多い。
本稿では,マイクロサービス環境におけるシステム状態の予測に適したモデルであるSTMformerについて紹介する。
本手法は動的ネットワーク接続データとトポロジ情報を利用して,システム内の複雑な時空間関係のモデル化を支援する。
さらに、私たちはPatchCrossAttentionモジュールを統合して、世界的なカスケーディング効果の影響を計算します。
マイクロサービスシステムに基づくデータセットを開発し、STMformerによる先進的なメソッドに対する包括的な実験を行った。
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。
ソースコードはhttps://github.com/xuyifeiiie/STMformer.comで入手できる。
関連論文リスト
- 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) - Modeling Randomly Observed Spatiotemporal Dynamical Systems [7.381752536547389]
現在利用可能なニューラルネットワークベースのモデリングアプローチは、時間と空間でランダムに収集されたデータに直面したときに不足する。
そこで我々は,このようなランダムなサンプルデータを効果的に処理する新しい手法を開発した。
我々のモデルは、システムの力学と将来の観測のタイミングと位置の両方を予測するために、償却変分推論、ニューラルディファレンシャル方程式、ニューラルポイントプロセス、暗黙のニューラル表現といった技術を統合する。
論文 参考訳(メタデータ) (2024-06-01T09:03:32Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳(メタデータ) (2024-05-29T08:00:15Z) - Exploring Progress in Multivariate Time Series Forecasting:
Comprehensive Benchmarking and Heterogeneity Analysis [72.18987459587682]
MTS予測における公正な比較のために設計されたベンチマークであるBasicTSを紹介する。
MTSデータセットの不均一性を強調し、時間的特徴と空間的特徴に基づいて分類する。
論文 参考訳(メタデータ) (2023-10-09T19:52:22Z) - Twin Graph-based Anomaly Detection via Attentive Multi-Modal Learning
for Microservice System [24.2074235652359]
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。
論文 参考訳(メタデータ) (2023-10-07T06:28:41Z) - Disentangling Structured Components: Towards Adaptive, Interpretable and
Scalable Time Series Forecasting [52.47493322446537]
本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。
SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。
SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
論文 参考訳(メタデータ) (2023-05-22T13:39:44Z) - A Generic Approach to Integrating Time into Spatial-Temporal Forecasting
via Conditional Neural Fields [1.7661845949769062]
本稿では,時間成分を予測モデルに統合する一般的な手法を提案する。
主要なアイデアは、時間成分から抽出された補助的特徴を表現するために条件付きニューラルネットワークを使用することである。
道路交通とセルラーネットワーク交通データセットの実験は,提案手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-05-11T14:20:23Z) - Attention-based Spatial-Temporal Graph Convolutional Recurrent Networks
for Traffic Forecasting [12.568905377581647]
交通予測は交通科学と人工知能における最も基本的な問題の一つである。
既存の手法では、長期的相関と短期的相関を同時にモデル化することはできない。
本稿では,GCRN(Graph Convolutional Recurrent Module)とグローバルアテンションモジュールからなる新しい時空間ニューラルネットワークフレームワークを提案する。
論文 参考訳(メタデータ) (2023-02-25T03:37:00Z) - Learning to Continuously Optimize Wireless Resource In Episodically
Dynamic Environment [55.91291559442884]
この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。
本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。
我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
論文 参考訳(メタデータ) (2020-11-16T08:24:34Z) - A Generative Learning Approach for Spatio-temporal Modeling in Connected
Vehicular Network [55.852401381113786]
本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。
LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。
特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
論文 参考訳(メタデータ) (2020-03-16T03:43:59Z) - ITeM: Independent Temporal Motifs to Summarize and Compare Temporal
Networks [0.900850049678444]
テンポラルネットワークは、システムの時間的進化がエンティティや関係の構造と同様に理解することが重要である一般的なネットワークの特殊化である。
我々は、異なるドメインから時間グラフを特徴付けるために、独立時間モチーフ(ITeM)を提示する。
我々は,ITeMが他のモチーフ周波数ベースアプローチよりも精度が高いことを示した。
論文 参考訳(メタデータ) (2020-02-19T17:47:46Z)
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。