論文の概要: EventADL: Open-Box Anomaly Detection and Localization Framework for Events in Cloud-Based Service Systems

• arxiv url: http://arxiv.org/abs/2605.00936v1
• Date: Fri, 01 May 2026 03:29:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.495145
• Title: EventADL: Open-Box Anomaly Detection and Localization Framework for Events in Cloud-Based Service Systems
• Title（参考訳）: EventADL: クラウドベースのサービスシステムにおけるイベントのオープンボックス異常検出とローカライゼーションフレームワーク
• Authors: Luan Pham, Victor Nicolet, Joey Dodds, Hui Guan, Daniel Kroening,
• Abstract要約: 異常検出とローカライゼーション(ADL)は、クラウドシステムの信頼性と可用性を維持する上で重要である。 最近のADL開発はメトリクスとログデータに重点を置いており、イベントデータは未調査のままである。 クラウドベースのサービスシステムのための,最初のオープンボックスイベントベースのADLフレームワークであるEventADLを提案する。
• 参考スコア（独自算出の注目度）: 6.440108304132861
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Anomaly detection and localization (ADL) is critical for maintaining reliability and availability in cloud systems. Recent ADL developments focus on metric and log data, leaving event data unexplored. To address this gap, we propose EventADL, the first open-box event-based ADL framework for cloud-based service systems. To motivate the design of our framework, we conduct a systematic analysis on 520 real-world incidents, and provide insights into how anomalies and their root causes manifest through event data. EventADL has three phases: offline training, online anomaly detection, and root cause localization. During the training phase, EventADL first learns Event Semantic Patterns (ESPs), which capture normal interactions between system entities using historical event data, and then learns Event Frequency Patterns (EFPs), which capture the normal frequency of known ESPs. In the online anomaly detection phase, any data in the event stream that deviates significantly from either pattern is identified as anomalous. For localization, EventADL constructs an Intervention Graph that models the relationships between recent system interactions and the detected anomalies for automatic root cause localization. The framework is designed to operate efficiently with unlabeled data and to produce interpretable anomalies with their corresponding root causes. Our evaluation on three real cloud service systems and two real-world incidents demonstrates that EventADL outperforms existing methods, achieving F1-scores of at least 90% for anomaly detection and 100% top-3 accuracy in root cause localization.
• Abstract（参考訳）: 異常検出とローカライゼーション(ADL)は、クラウドシステムの信頼性と可用性を維持する上で重要である。 最近のADL開発はメトリクスとログデータに重点を置いており、イベントデータは未調査のままである。 このギャップに対処するために、クラウドベースのサービスシステムのための最初のオープンボックスイベントベースのADLフレームワークであるEventADLを提案する。 フレームワークの設計を動機付けるため、520の現実世界のインシデントを体系的に分析し、イベントデータを通して異常とその根本原因がどのように現れるかについての洞察を提供する。 EventADLにはオフライントレーニング、オンライン異常検出、ルート原因のローカライゼーションという3つのフェーズがある。 トレーニングフェーズでは、EventADLが最初にイベントセマンティックパターン(ESP)を学習し、過去のイベントデータを使用してシステムエンティティ間の正常なインタラクションをキャプチャし、次に、既知のESPの正常な頻度をキャプチャするイベント周波数パターン(EFP)を学ぶ。 オンライン異常検出フェーズでは、いずれのパターンから大きく逸脱するイベントストリーム内の任意のデータが異常として識別される。 ローカライゼーションのためにEventADLは、最近のシステムインタラクションと検出されたルート原因ローカライゼーションの異常の関係をモデル化するインターベンショングラフを構築している。 このフレームワークは、ラベルのないデータで効率的に動作し、対応する根本原因と解釈可能な異常を生成するように設計されている。 3つの実クラウドサービスシステムと2つの実世界のインシデントに対する評価は、EventADLが既存の手法よりも優れており、異常検出のためのF1スコアが90%以上、根本原因のローカライゼーションにおける100%トップ3精度が達成されていることを示している。

関連論文リスト

• From Frames to Events: Rethinking Evaluation in Human-Centric Video Anomaly Detection [9.404376027901277]
  ポースベースのビデオ異常検出(VAD)は、プライバシー保護の性質と環境変動に対する堅牢性において大きな注目を集めている。 従来のフレームレベルの評価では、ビデオは孤立したフレームの集合として扱われ、現実の世界で異常がどのように現れ、行動するかを根本的に誤解している。 本稿では,階層的なガウススムースメントと適応二項化を備えたスコアリファインメントパイプラインと,イベントレベルの検出を直接生成するエンドツーエンドのデュアルブランチモデルという,時間的イベントローカライゼーションのための2つの戦略を紹介する。
  論文  参考訳（メタデータ） (2026-04-10T13:52:18Z)
• Towards Video Anomaly Detection from Event Streams: A Baseline and Benchmark Datasets [71.53287557600177]
  イベントベースの異常検出を統一研究の方向性として確立するための第一歩を踏み出す。 まず、同期イベントとRGB記録を特徴とする、ビデオ異常検出のための複数のイベントストリームベースのベンチマークを構築した。 次に,EVent中心のビデオ異常検出フレームワークであるEWADを提案する。
  論文  参考訳（メタデータ） (2026-03-26T03:33:33Z)
• Why Does the LLM Stop Computing: An Empirical Study of User-Reported Failures in Open-Source LLMs [50.075587392477935]
  オープンソースのDeepSeek、Llama、Qwenのエコシステムから、705の現実世界の失敗に関する大規模な実証的研究を行った。 ホワイトボックスオーケストレーションは、モデルアルゴリズムの欠陥からデプロイメントスタックのシステム的脆弱性へと、信頼性のボトルネックを移動させます。
  論文  参考訳（メタデータ） (2026-01-20T06:42:56Z)
• 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)
• Enhancing Web Service Anomaly Detection via Fine-grained Multi-modal Association and Frequency Domain Analysis [8.860339665670255]
  異常検出は、Webサービスシステムの安定性と信頼性を保証するために不可欠である。 既存の異常検出方法は、ログとメトリクスを使用して異常を検出する。 本稿では,これらの2つの問題に対処するため,FFADという新しい異常検出手法を提案する。
  論文  参考訳（メタデータ） (2025-01-28T12:00:45Z)
• Detecting Anomalous Events in Object-centric Business Processes via Graph Neural Networks [55.583478485027]
  本研究では,ビジネスプロセスにおける異常検出のための新しいフレームワークを提案する。 まず、属性グラフとしてオブジェクト中心のイベントログのプロセス依存性を再構築する。 次に、異常事象を検出するために、グラフ畳み込みオートエンコーダアーキテクチャを用いる。
  論文  参考訳（メタデータ） (2024-02-14T14:17:56Z)
• KGroot: Enhancing Root Cause Analysis through Knowledge Graphs and Graph Convolutional Neural Networks [14.336830860792707]
  KGrootはイベント知識とイベント間の相関を使って根本原因推論を行う。 実験では、KGrootは第2レベルにおいて93.5%の確率で根本原因を特定できることを示した。
  論文  参考訳（メタデータ） (2024-02-11T10:30:38Z)
• Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
  異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。 本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
  論文  参考訳（メタデータ） (2023-04-02T08:23:20Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• 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)

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。