論文の概要: AnoMod: A Dataset for Anomaly Detection and Root Cause Analysis in Microservice Systems

• arxiv url: http://arxiv.org/abs/2601.22881v1
• Date: Fri, 30 Jan 2026 12:03:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.42205
• Title: AnoMod: A Dataset for Anomaly Detection and Root Cause Analysis in Microservice Systems
• Title（参考訳）: AnoMod: マイクロサービスシステムにおける異常検出とルート原因解析のためのデータセット
• Authors: Ke Ping, Hamza Bin Mazhar, Yuqing Wang, Ying Song, Mika V. Mäntylä,
• Abstract要約: 我々は、SocialNetworkとTrainTicketという2つのオープンソースのマイクロサービスシステム上に構築された、新しいマルチモーダルな異常データセットを紹介します。 各シナリオについて、ログ、メトリクス、分散トレース、APIレスポンス、コードカバレッジレポートの5つのモード(Mod)を収集します。 このデータセットは、クロスモーダル異常検出および融合/アブレーション戦略の評価を可能にする。
• 参考スコア（独自算出の注目度）: 18.34761164400137
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Microservice systems (MSS) have become a predominant architectural style for cloud services. Yet the community still lacks high-quality, publicly available datasets for anomaly detection (AD) and root cause analysis (RCA) in MSS. Most benchmarks emphasize performance-related faults and provide only one or two monitoring modalities, limiting research on broader failure modes and cross-modal methods. To address these gaps, we introduce a new multimodal anomaly dataset built on two open-source microservice systems: SocialNetwork and TrainTicket. We design and inject four categories of anomalies (Ano): performance-level, service-level, database-level, and code-level, to emulate realistic anomaly modes. For each scenario, we collect five modalities (Mod): logs, metrics, distributed traces, API responses, and code coverage reports, offering a richer, end-to-end view of system state and inter-service interactions. We name our dataset, reflecting its unique properties, as AnoMod. This dataset enables (1) evaluation of cross-modal anomaly detection and fusion/ablation strategies, and (2) fine-grained RCA studies across service and code regions, supporting end-to-end troubleshooting pipelines that jointly consider detection and localization.
• Abstract（参考訳）: マイクロサービスシステム(MSS)は、クラウドサービスの主要なアーキテクチャスタイルになっています。 しかし、コミュニティは依然として、MSSの異常検出(AD)と根本原因分析(RCA)のための高品質でパブリックなデータセットを欠いている。 ほとんどのベンチマークでは、パフォーマンス関連の欠陥を強調し、1つまたは2つの監視モードのみを提供し、より広範な障害モードとクロスモーダルメソッドの研究を制限する。 これらのギャップに対処するため、SocialNetworkとTrainTicketという2つのオープンソースのマイクロサービスシステム上に構築された、新しいマルチモーダルな異常データセットを導入しました。 我々は、現実的な異常モードをエミュレートするために、パフォーマンスレベル、サービスレベル、データベースレベル、コードレベルの4つのカテゴリ(Ano)を設計し、注入する。 各シナリオに対して、ログ、メトリクス、分散トレース、APIレスポンス、コードカバレッジレポートの5つのモダリティ(Mod)を収集します。 AnoModのユニークな特性を反映して、私たちのデータセットをAnoModと名付けました。 本データセットは,(1)クロスモーダルな異常検出と融合・アブレーション戦略の評価,(2)サービス領域とコード領域をまたいだ詳細なRCA研究を行い,検出とローカライゼーションを共同で検討するエンドツーエンドのトラブルシューティングパイプラインをサポートする。

関連論文リスト

• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• 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)
• CHASE: A Causal Hypergraph based Framework for Root Cause Analysis in Multimodal Microservice Systems [29.424326542377386]
  マルチモーダルデータを持つマイクロサービスシステムにおける根本原因解析,すなわちCHASEのための因数不均一なgraAph baSed framEworkを提案する。 CHASEは、因果関係の流れを表すハイパーエッジを持つ構築されたハイパーグラフから学習し、根本原因の局在を実行する。
  論文  参考訳（メタデータ） (2024-06-28T07:46:51Z)
• 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)
• 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)
• Robust Multimodal Failure Detection for Microservice Systems [32.25907616511765]
  AnoFusionは、マイクロサービスシステムに対する教師なしの障害検出アプローチである。 異種マルチモーダルデータの相関を学習し、グラフ注意ネットワーク(GAT)とGRU(Gated Recurrent Unit)を統合する。 これはそれぞれ0.857と0.922のF1スコアを達成し、最先端の故障検出手法より優れている。
  論文  参考訳（メタデータ） (2023-05-30T12:39:42Z)
• From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach [26.973056364587766]
  グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。 マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。 グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
  論文  参考訳（メタデータ） (2022-02-11T09:45:11Z)
• A2Log: Attentive Augmented Log Anomaly Detection [53.06341151551106]
  異常検出は、ITサービスの信頼性とサービス性にとってますます重要になる。 既存の教師なし手法は、適切な決定境界を得るために異常な例を必要とする。 我々は,異常判定と異常判定の2段階からなる教師なし異常検出手法であるA2Logを開発した。
  論文  参考訳（メタデータ） (2021-09-20T13:40:21Z)

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。