論文の概要: Graph Neural AI with Temporal Dynamics for Comprehensive Anomaly Detection in Microservices

• arxiv url: http://arxiv.org/abs/2511.03285v1
• Date: Wed, 05 Nov 2025 08:28:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.38769
• Title: Graph Neural AI with Temporal Dynamics for Comprehensive Anomaly Detection in Microservices
• Title（参考訳）: マイクロサービスにおける総合的異常検出のための時間ダイナミクスを用いたグラフニューラルAI
• Authors: Qingyuan Zhang, Ning Lyu, Le Liu, Yuxi Wang, Ziyu Cheng, Cancan Hua,
• Abstract要約: 本研究では,マイクロサービスアーキテクチャにおける異常検出と根本原因追跡の問題に対処する。 グラフニューラルネットワークと時間的モデリングを組み合わせた統合フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.957284443727372
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study addresses the problem of anomaly detection and root cause tracing in microservice architectures and proposes a unified framework that combines graph neural networks with temporal modeling. The microservice call chain is abstracted as a directed graph, where multidimensional features of nodes and edges are used to construct a service topology representation, and graph convolution is applied to aggregate features across nodes and model dependencies, capturing complex structural relationships among services. On this basis, gated recurrent units are introduced to model the temporal evolution of call chains, and multi-layer stacking and concatenation operations are used to jointly obtain structural and temporal representations, improving the ability to identify anomaly patterns. Furthermore, anomaly scoring functions at both the node and path levels are defined to achieve unified modeling from local anomaly detection to global call chain tracing, which enables the identification of abnormal service nodes and the reconstruction of potential anomaly propagation paths. Sensitivity experiments are then designed from multiple dimensions, including hyperparameters, environmental disturbances, and data distribution, to evaluate the framework, and results show that it outperforms baseline methods in key metrics such as AUC, ACC, Recall, and F1-Score, maintaining high accuracy and stability under dynamic topologies and complex environments. This research not only provides a new technical path for anomaly detection in microservices but also lays a methodological foundation for intelligent operations in distributed systems.
• Abstract（参考訳）: 本研究では,マイクロサービスアーキテクチャにおける異常検出と根本原因追跡の問題に対処し,グラフニューラルネットワークと時間的モデリングを組み合わせた統合フレームワークを提案する。 マイクロサービスコールチェーンは、ノードとエッジの多次元的な特徴を使用してサービストポロジ表現を構築し、グラフ畳み込みを使用してノードとモデルの依存関係を集約し、サービス間の複雑な構造的関係をキャプチャする、有向グラフとして抽象化される。 そこで, コールチェーンの時間的進化をモデル化するためにゲートリカレントユニットを導入し, 構造的および時間的表現を協調的に獲得し, 異常パターンを識別する能力を向上させる。 さらに、局所異常検出からグローバルコールチェーントレースへの統一モデリングを実現するために、ノードとパスレベルの異常スコアリング関数を定義し、異常ノードの識別と潜在的な異常伝搬経路の再構築を可能にする。 感度実験は、過度パラメータ、環境障害、データ分布などの複数の次元から設計され、その結果、AUC、ACC、リコール、F1-Scoreといった重要な指標でベースライン手法よりも優れており、動的トポロジや複雑な環境下で高い精度と安定性を維持していることが示された。 この研究は、マイクロサービスにおける異常検出のための新しい技術パスを提供するだけでなく、分散システムにおけるインテリジェントな操作のための方法論的基盤も提供する。

関連論文リスト

• A Survey of Heterogeneous Graph Neural Networks for Cybersecurity Anomaly Detection [4.1427901594249255]
  不均一グラフニューラルネットワーク(HGNN)は、異常検出のための有望なパラダイムとして登場した。 この調査は、スケーラブルで解釈可能で実用的なデプロイ可能なソリューションに向けて、HGNNベースの異常検出を促進するための構造化された基盤を確立することを目的としている。
  論文  参考訳（メタデータ） (2025-10-30T09:49:59Z)
• Graph Neural Network and Transformer Integration for Unsupervised System Anomaly Discovery [14.982273490507986]
  本研究では,分散バックエンドサービスシステムを対象とした教師なし異常検出手法を提案する。 複雑な構造的依存関係、多様な振る舞いの進化、ラベル付きデータの欠如といった現実的な課題に対処する。 その結果,提案手法はいくつかの重要な指標において既存モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-08-13T00:35:58Z)
• Multiresolution Analysis and Statistical Thresholding on Dynamic Networks [49.09073800467438]
  ANIE(Adaptive Network Intensity Estimation)は、ネットワーク構造が進化する時間スケールを自動的に識別する多段階フレームワークである。 ANIEは適切な時間分解能に適応し、ノイズに頑健でありながら鋭い構造変化を捉えることができることを示す。
  論文  参考訳（メタデータ） (2025-06-01T22:55:55Z)
• 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)
• Communities in the Kuramoto Model: Dynamics and Detection via Path Signatures [1.024113475677323]
  本研究では,連続経路の幾何学的および時間的特性を符号化する数学的枠組みである経路シグネチャの利用を提案する。 本研究では,観測時系列から構造的コミュニティを正確に復元する,署名に基づく新しいコミュニティ検出アルゴリズムを提案する。 その結果,パスシグネチャは複雑なニューラルネットワークや他の高次元システムの解析において,新たな視点を提供することが示された。
  論文  参考訳（メタデータ） (2025-03-21T21:41:48Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• ARISE: Graph Anomaly Detection on Attributed Networks via Substructure Awareness [70.60721571429784]
  サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。 ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。 実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2022-11-28T12:17:40Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• 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)

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。