論文の概要: Scalable Temporal Anomaly Causality Discovery in Large Systems: Achieving Computational Efficiency with Binary Anomaly Flag Data

• arxiv url: http://arxiv.org/abs/2412.11800v1
• Date: Mon, 16 Dec 2024 14:11:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 14:01:17.371912
• Title: Scalable Temporal Anomaly Causality Discovery in Large Systems: Achieving Computational Efficiency with Binary Anomaly Flag Data
• Title（参考訳）: 大規模システムにおけるスケーラブルな時間異常因果発見:二元異常フラグデータによる計算効率の向上
• Authors: Mulugeta Weldezgina Asres, Christian Walter Omlin, The CMS-HCAL Collaboration,
• Abstract要約: 本研究は異常因果発見法(AnomalyCD)を提案する。 バイナリフラグデータセットから因果グラフを生成する際の精度と計算上の課題に対処する。 その結果,計算オーバーヘッドの大幅な低減と時間因果発見の精度の適度な向上が示された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Extracting anomaly causality facilitates diagnostics once monitoring systems detect system faults. Identifying anomaly causes in large systems involves investigating a more extensive set of monitoring variables across multiple subsystems. However, learning causal graphs comes with a significant computational burden that restrains the applicability of most existing methods in real-time and large-scale deployments. In addition, modern monitoring applications for large systems often generate large amounts of binary alarm flags, and the distinct characteristics of binary anomaly data -- the meaning of state transition and data sparsity -- challenge existing causality learning mechanisms. This study proposes an anomaly causal discovery approach (AnomalyCD), addressing the accuracy and computational challenges of generating causal graphs from binary flag data sets. The AnomalyCD framework presents several strategies, such as anomaly flag characteristics incorporating causality testing, sparse data and link compression, and edge pruning adjustment approaches. We validate the performance of this framework on two datasets: monitoring sensor data of the readout-box system of the Compact Muon Solenoid experiment at CERN, and a public data set for information technology monitoring. The results demonstrate the considerable reduction of the computation overhead and moderate enhancement of the accuracy of temporal causal discovery on binary anomaly data sets.
• Abstract（参考訳）: 異常因果関係の抽出は、システムがシステム障害を検出すると診断を容易にする。 大規模システムにおける異常原因の特定には、複数のサブシステムにわたるより広範な監視変数の調査が含まれる。 しかし、因果グラフの学習には、リアルタイムおよび大規模デプロイメントにおける既存のほとんどのメソッドの適用性を抑える重要な計算負担が伴う。 さらに、大規模システムの現代的な監視アプリケーションは、しばしば大量のバイナリアラームフラグを生成し、バイナリ異常データ(状態遷移とデータの分散の意味)の特徴は、既存の因果学習メカニズムに挑戦する。 本研究では,異常因果探索手法 (AnomalyCD) を提案し,バイナリフラグデータセットから因果グラフを生成する際の精度と計算上の課題に対処する。 AnomalyCDフレームワークは、因果性テスト、スパースデータとリンク圧縮、エッジプルーニング調整アプローチなど、いくつかの戦略を提示する。 本研究では,CERNにおけるコンパクト・ムーン・ソレノイド実験の読み出しボックスシステムのセンサデータと,情報技術モニタリングのための公開データセットの2つのデータセット上で,このフレームワークの性能を検証した。 その結果,2値の異常データセット上での時間的因果発見の精度は,計算オーバーヘッドを大幅に低減し,適度に向上した。

関連論文リスト

• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• DeepHYDRA: Resource-Efficient Time-Series Anomaly Detection in Dynamically-Configured Systems [3.44012349879073]
  我々はDeepHYDRA(Deep Hybrid DBSCAN/reduction-based Anomaly Detection)を提案する。 DBSCANと学習ベースの異常検出を組み合わせる。 大規模なデータセットと複雑なデータセットの両方において、異なるタイプの異常を確実に検出できることが示されている。
  論文  参考訳（メタデータ） (2024-05-13T13:47:15Z)
• Explainable Online Unsupervised Anomaly Detection for Cyber-Physical Systems via Causal Discovery from Time Series [1.223779595809275]
  ニューラルネットワークによるディープラーニングに基づく最先端のアプローチは、異常認識において優れたパフォーマンスを達成する。 本手法はトレーニング効率が向上し,最先端のニューラルネットワークアーキテクチャの精度に優れることを示す。
  論文  参考訳（メタデータ） (2024-04-15T15:42:12Z)
• 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)
• 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)
• Causal Discovery from Sparse Time-Series Data Using Echo State Network [0.0]
  時系列データ間の因果関係の発見は、症状の原因の診断に役立つ。 本稿では,2つの部分から構成される新しいシステムを提案する。第1部はガウスプロセス回帰を,第2部はエコー状態ネットワークを活用する。 本稿では,対応するマシューズ相関係数 (MCC) と受信器動作特性曲線 (ROC) について報告する。
  論文  参考訳（メタデータ） (2022-01-09T05:55:47Z)
• Graph Neural Network-Based Anomaly Detection in Multivariate Time Series [17.414474298706416]
  我々は,高次元時系列データにおける異常を検出する新しい方法を開発した。 我々のアプローチは、構造学習アプローチとグラフニューラルネットワークを組み合わせている。 本研究では,本手法がベースラインアプローチよりも高精度に異常を検出することを示す。
  論文  参考訳（メタデータ） (2021-06-13T09:07:30Z)
• CSCAD: Correlation Structure-based Collective Anomaly Detection in Complex System [11.739889613196619]
  大規模システムにおける高次元異常検出問題に対する相関構造に基づく集団異常検出モデルを提案する。 本フレームワークでは,変分オートエンコーダを組み合わせたグラフ畳み込みネットワークを用いて,特徴空間の相関とサンプルの再構成不足を共同で活用する。 異常判別ネットワークは、低異常度サンプルを正のサンプルとして、高異常度サンプルを負のサンプルとしてトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-05-30T09:28:25Z)
• 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)
• ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
  正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。 提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
  論文  参考訳（メタデータ） (2020-12-09T08:16:35Z)
• Self-Attentive Classification-Based Anomaly Detection in Unstructured Logs [59.04636530383049]
  ログ表現を学習するための分類法であるLogsyを提案する。 従来の方法と比較して,F1スコアの平均0.25の改善を示す。
  論文  参考訳（メタデータ） (2020-08-21T07:26:55Z)

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。