論文の概要: SERVIMON: AI-Driven Predictive Maintenance and Real-Time Monitoring for Astronomical Observatories

• arxiv url: http://arxiv.org/abs/2510.27146v1
• Date: Fri, 31 Oct 2025 03:47:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:15.968914
• Title: SERVIMON: AI-Driven Predictive Maintenance and Real-Time Monitoring for Astronomical Observatories
• Title（参考訳）: SERVIMON: 天文学観測所のためのAI駆動予測保守とリアルタイムモニタリング
• Authors: Emilio Mastriani, Alessandro Costa, Federico Incardona, Kevin Munari, Sebastiano Spinello,
• Abstract要約: ServiMonは、データ収集と監査のためのスケーラブルでインテリジェントなパイプラインを提供するように設計されている。 システムは望遠鏡操作における品質制御、予測保守、リアルタイム異常検出を強化する。
• 参考スコア（独自算出の注目度）: 36.94429692322632
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective: ServiMon is designed to offer a scalable and intelligent pipeline for data collection and auditing to monitor distributed astronomical systems such as the ASTRI Mini-Array. The system enhances quality control, predictive maintenance, and real-time anomaly detection for telescope operations. Methods: ServiMon integrates cloud-native technologies-including Prometheus, Grafana, Cassandra, Kafka, and InfluxDB-for telemetry collection and processing. It employs machine learning algorithms, notably Isolation Forest, to detect anomalies in Cassandra performance metrics. Key indicators such as read/write latency, throughput, and memory usage are continuously monitored, stored as time-series data, and preprocessed for feature engineering. Anomalies detected by the model are logged in InfluxDB v2 and accessed via Flux for real-time monitoring and visualization. Results: AI-based anomaly detection increases system resilience by identifying performance degradation at an early stage, minimizing downtime, and optimizing telescope operations. Additionally, ServiMon supports astrostatistical analysis by correlating telemetry with observational data, thus enhancing scientific data quality. AI-generated alerts also improve real-time monitoring, enabling proactive system management. Conclusion: ServiMon's scalable framework proves effective for predictive maintenance and real-time monitoring of astronomical infrastructures. By leveraging cloud and edge computing, it is adaptable to future large-scale experiments, optimizing both performance and cost. The combination of machine learning and big data analytics makes ServiMon a robust and flexible solution for modern and next-generation observational astronomy.
• Abstract（参考訳）: 目的: ServiMonはデータ収集と監査のためのスケーラブルでインテリジェントなパイプラインを提供し、ASTRI Mini-Arrayのような分散天文学システムを監視するように設計されている。 このシステムは、望遠鏡操作のための品質制御、予測保守、リアルタイム異常検出を強化する。 メソッド: ServiMonは、Prometheus、Grafana、Cassandra、Kafka、InfluxDBなどのクラウドネイティブテクノロジを統合して、テレメトリの収集と処理を行う。 Cassandraパフォーマンスメトリクスの異常を検出するために、マシンラーニングアルゴリズム、特にIssage Forestを使用している。 読み込み/書き込みのレイテンシ、スループット、メモリ使用量などの重要な指標は、継続的に監視され、時系列データとして保存され、機能エンジニアリングのために前処理される。 モデルによって検出された異常は、InfluxDB v2にログされ、リアルタイムの監視と可視化のためにFlux経由でアクセスされる。 結果:AIに基づく異常検出は,早期の性能劣化を識別し,ダウンタイムを最小化し,望遠鏡操作を最適化することにより,システムのレジリエンスを高める。 さらに、ServiMonは、観測データとテレメトリを関連付けて天体統計解析をサポートし、科学的データ品質を向上させる。 AI生成アラートはリアルタイム監視を改善し、アクティブなシステム管理を可能にする。 結論: ServiMonのスケーラブルなフレームワークは、天文インフラの予測保守とリアルタイムモニタリングに有効である。 クラウドとエッジコンピューティングを活用することで、将来の大規模な実験に適応し、パフォーマンスとコストの両方を最適化する。 機械学習とビッグデータ分析の組み合わせにより、ServiMonは、現代および次世代の観測天文学のための堅牢で柔軟なソリューションになる。

関連論文リスト

• GAL-MAD: Towards Explainable Anomaly Detection in Microservice Applications Using Graph Attention Networks [1.0136215038345013]
  ネットワークとパフォーマンスの問題に起因する異常は素早く特定され、対処されなければならない。 既存の異常検出技術は統計モデルや機械学習手法に依存していることが多い。 グラフ注意とLSTMに基づくマイクロサービス異常検出(GAL-MAD)と呼ばれる新しい異常検出モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-31T10:11:31Z)
• LLM Assisted Anomaly Detection Service for Site Reliability Engineers: Enhancing Cloud Infrastructure Resilience [5.644170923282226]
  本稿では,産業時系列データに適した汎用APIを備えたスケーラブルな異常検出サービスを提案する。 サービスの利用パターンに関する洞察を提供しています。年間500人以上のユーザと20万のAPIコールがあります。 時系列基礎モデルを含むシステムを拡張し、ゼロショット異常検出機能を実現する計画である。
  論文  参考訳（メタデータ） (2025-01-28T06:41:37Z)
• 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)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Closing the loop: Autonomous experiments enabled by machine-learning-based online data analysis in synchrotron beamline environments [80.49514665620008]
  機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。 本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。 本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
  論文  参考訳（メタデータ） (2023-06-20T21:21:19Z)
• LogLAB: Attention-Based Labeling of Log Data Anomalies via Weak Supervision [63.08516384181491]
  専門家の手作業を必要とせず,ログメッセージの自動ラベル付けのための新しいモデリング手法であるLogLABを提案する。 本手法は,監視システムが提供する推定故障時間ウィンドウを用いて,正確なラベル付きデータセットを振り返りに生成する。 我々の評価によると、LogLABは3つの異なるデータセットで9つのベンチマークアプローチを一貫して上回り、大規模な障害時ウィンドウでも0.98以上のF1スコアを維持している。
  論文  参考訳（メタデータ） (2021-11-02T15:16:08Z)
• 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)
• Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms [53.38353133198842]
  空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。 本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。 地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
  論文  参考訳（メタデータ） (2020-07-23T13:32:47Z)
• Real-Time Anomaly Detection in Data Centers for Log-based Predictive Maintenance using an Evolving Fuzzy-Rule-Based Approach [0.0]
  我々は、ジュネーブの大型ハドロン衝突型加速器(LHC)における高エネルギー物理実験を支援するイタリアの核物理学研究所(INFN)のTier-1データセンターに焦点を当てた。 そこで本稿では,スライディングタイムウィンドウに基づくログレコードの監視と分類を行うリアルタイム手法と,ファジィルールに基づく分類モデルを提案する。
  論文  参考訳（メタデータ） (2020-04-25T21:19:44Z)

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。