論文の概要: From Load Tests to Live Streams: Graph Embedding-Based Anomaly Detection in Microservice Architectures
- arxiv url: http://arxiv.org/abs/2604.06448v2
- Date: Tue, 14 Apr 2026 18:05:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-16 16:10:33.677209
- Title: From Load Tests to Live Streams: Graph Embedding-Based Anomaly Detection in Microservice Architectures
- Title（参考訳）: 負荷テストからライブストリームへ: マイクロサービスアーキテクチャにおけるグラフ埋め込みに基づく異常検出
- Authors: Srinidhi Madabhushi, Pranesh Vyas, Swathi Vaidyanathan, Mayur Kurup, Elliott Nash, Yegor Silyutin,
- Abstract要約: プライムビデオは毎週、木曜日のナイトフットボールのようなライブイベントの間、視聴者のトラフィックスパイクをシミュレートする負荷テストを実施している。
これらのストレステストはシステムのキャパシティを検証するが、実際のイベントトラフィックに特有のサービスの振る舞いを見逃すこともある。
本稿では、教師なしノードレベルのグラフ埋め込みを用いて、非表現型サービスを識別するグラフベースの異常検出システムを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Prime Video regularly conducts load tests to simulate the viewer traffic spikes seen during live events such as Thursday Night Football as well as video-on-demand (VOD) events such as Rings of Power. While these stress tests validate system capacity, they can sometimes miss service behaviors unique to real event traffic. We present a graph-based anomaly detection system that identifies under-represented services using unsupervised node-level graph embeddings. Built on a GCN-GAE, our approach learns structural representations from directed, weighted service graphs at minute-level resolution and flags anomalies based on cosine similarity between load test and event embeddings. The system identifies incident-related services that are documented and demonstrates early detection capability. We also introduce a preliminary synthetic anomaly injection framework for controlled evaluation that show promising precision (96%) and low false positive rate (0.08%), though recall (58%) remains limited under conservative propagation assumptions. This framework demonstrates practical utility within Prime Video while also surfacing methodological lessons and directions, providing a foundation for broader application across microservice ecosystems.
- Abstract（参考訳）: Prime Videoは定期的にロードテストを実施して、木曜日のナイトフットボールのようなライブイベントや、Rings of Powerのようなビデオオンデマンド(VOD)イベントで見られるトラフィックの急増をシミュレートしている。
これらのストレステストはシステムのキャパシティを検証するが、実際のイベントトラフィックに特有のサービスの振る舞いを見逃すこともある。
本稿では、教師なしノードレベルのグラフ埋め込みを用いて、非表現型サービスを識別するグラフベースの異常検出システムを提案する。
GCN-GAEに基づいて構築された本手法では,負荷テストとイベントの埋め込みの余分な類似性に基づいて,微視的,重み付けされたサービスグラフとフラグ異常から構造表現を学習する。
このシステムは、文書化されたインシデント関連サービスを特定し、早期検出機能を示す。
また,予測精度 (96%) と偽陽性率 (0.08%) が低いが, 再現率 (58%) は保存的伝播仮定下では限定的であり, 制御評価のための予備的合成異常注入フレームワークも導入した。
このフレームワークは、プライムビデオ内の実用性を実証するとともに、方法論的な教訓と方向性を克服し、マイクロサービスエコシステム全体にわたる広範なアプリケーションの基礎を提供する。
関連論文リスト
- PROVEX: Enhancing SOC Analyst Trust with Explainable Provenance-Based IDS [1.9336815376402718]
本稿では,グラフに基づく検出を透過的にすることで,セキュリティ運用センター(SOC)の信頼ギャップを埋めるための総合的なXAIフレームワークを提案する。
我々はこのフレームワークを,最先端の時間グラフベースのIDSであるKAIROS上に実装する。
論文 参考訳（メタデータ） (2025-12-20T03:45:21Z) - GraphFaaS: Serverless GNN Inference for Burst-Resilient, Real-Time Intrusion Detection [13.23114511657902]
プロヴァンスベースの侵入検知は、サイバーセキュリティにおけるグラフィカル機械学習の応用として、ますます人気が高まっている。
従来の静的にプロビジョンされたグラフネットワーク(GNN)は、侵入検出の2つの重要な要求を満たすには不十分である。
GNNベースの侵入検知に適したサーバーレスアーキテクチャであるGraphFを提案する。
論文 参考訳（メタデータ） (2025-11-13T17:55:06Z) - BLADE: Behavior-Level Anomaly Detection Using Network Traffic in Web Services [7.024862094862467]
BLADEは、Webサービスのための新しい教師なしトラフィック異常検知システムである。
BLADEはフローオートエンコーダを利用して潜在特徴表現を学習し、フロー毎の再構成損失を算出する。
BLADEはカスタムデータセットとCIC-IDS 2017データセットの両方で広く評価されている。
論文 参考訳（メタデータ） (2025-11-07T12:25:39Z) - Graph Neural Networks Are More Than Filters: Revisiting and Benchmarking from A Spectral Perspective [49.613774305350084]
グラフニューラルネットワーク(GNN)は、様々なグラフベースの学習タスクにおいて顕著な成功を収めている。
近年の研究では、非線形層などの他のコンポーネントが、GNNがスペクトル領域の入力グラフデータをどのように処理するかに大きく影響する可能性が示唆されている。
本稿では、入力グラフデータの異なる周波数成分に符号化された情報を捕捉し、活用する際のGNNの能力を評価するための総合的なベンチマークを提案する。
論文 参考訳（メタデータ） (2024-12-10T04:53:53Z) - Weakly Supervised Video Anomaly Detection and Localization with Spatio-Temporal Prompts [57.01985221057047]
本稿では、事前学習された視覚言語モデル(VLM)に基づく、弱教師付きビデオ異常検出および局所化のための時間的プロンプト埋め込み(WSVADL)を学習する新しい手法を提案する。
提案手法は,WSVADLタスクの3つの公開ベンチマークにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2024-08-12T03:31:29Z) - A Temporal Graph Neural Network for Cyber Attack Detection and
Localization in Smart Grids [0.3093890460224435]
本稿では,スマートグリッドのシステム状態に対する偽データインジェクションとランプ攻撃の検出とローカライズを行うための時間グラフニューラルネットワーク(TGNN)フレームワークを提案する。
攻撃の強度と位置に対するモデルの感度とモデルの検出遅延と検出精度を評価した。
論文 参考訳（メタデータ） (2022-12-07T00:56:02Z) - Robust Unsupervised Video Anomaly Detection by Multi-Path Frame
Prediction [61.17654438176999]
本稿では,フレーム予測と適切な設計による新規で頑健な非教師付きビデオ異常検出手法を提案する。
提案手法は,CUHK Avenueデータセット上で88.3%のフレームレベルAUROCスコアを得る。
論文 参考訳（メタデータ） (2020-11-05T11:34:12Z) - A Background-Agnostic Framework with Adversarial Training for Abnormal
Event Detection in Video [120.18562044084678]
近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。
通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
論文 参考訳（メタデータ） (2020-08-27T18:39:24Z) - A Self-Reasoning Framework for Anomaly Detection Using Video-Level
Labels [17.615297975503648]
監視ビデオにおける異常事象の検出は、画像およびビデオ処理コミュニティの間で困難かつ実践的な研究課題である。
本稿では、ビデオレベルラベルのみを用いて自己推論方式で訓練されたディープニューラルネットワークに基づく、弱い教師付き異常検出フレームワークを提案する。
提案するフレームワークは,UCF-crimeやShanghaiTech,Ped2など,公開されている実世界の異常検出データセット上で評価されている。
論文 参考訳（メタデータ） (2020-08-27T02:14:15Z)
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。