論文の概要: ClouDens: Operational Context-Aware Anomaly Detection for Large-scale Cloud System Monitoring

• arxiv url: http://arxiv.org/abs/2607.18127v1
• Date: Mon, 20 Jul 2026 16:20:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.705158
• Title: ClouDens: Operational Context-Aware Anomaly Detection for Large-scale Cloud System Monitoring
• Title（参考訳）: ClouDens:大規模クラウドシステム監視のための運用コンテキスト認識異常検出
• Abstract要約: 我々は,大規模クラウドシステム(LCS)監視に適した異常検出フレームワークであるClouDensを提案する。 ClouDensは、高次元テレメトリログをドメイン誘導サブセットに分割し、運用サービス依存性をモデル化したコンテキスト対応グラフを構築し、予測ベースの異常検出にSpatio-Temporal Graph Neural Networksを使用している。 その結果、ClouDensは、GRUベースモデルよりも広い範囲で、より正確で早期な異常検出が可能なカウントベーステレメトリ機能において、NABスコアを高い精度で達成していることがわかった。
• 参考スコア（独自算出の注目度）: 6.845085044420781
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid growth of cloud computing infrastructures in scale and complexity, network monitoring for Large-scale Cloud Systems (LCSs) has become increasingly challenging, requiring automated and reliable anomaly detection to maintain service availability. Modern LCSs continuously generate telemetry logs from distributed cloud services, producing high-dimensional multivariate time series that capture system operations. Detecting anomalies in this context is difficult due to extreme dimensionality, complex dependencies among distributed components, and severe sparsity from intermittently active services. Taking these challenges into account, we first conduct an empirical study on telemetry logs from the IBM Cloud Console platform, and then propose ClouDens, an anomaly detection framework tailored to LCS monitoring that leverages operational-context attributes encoded in the telemetry log schema to improve detection accuracy and early identification of anomalies. ClouDens partitions high-dimensional telemetry logs into domain-guided subsets, constructs a context-aware graph modeling operational service dependencies, and employs Spatio-Temporal Graph Neural Networks for forecasting-based anomaly detection. We evaluate ClouDens on the recently released IBM Cloud Telemetry Dataset and provide practical insights into designing reliable anomaly detection solutions for LCS monitoring. Results show ClouDens achieves higher NAB scores in count-based telemetry features, indicating more accurate, earlier anomaly detection with broader coverage than a GRU-based model. Our study further reveals that telemetry feature subsets, operational-context modeling, scoring strategies, and sparsity imputation all substantially influence detection performance, offering practical guidance for designing and fairly benchmarking anomaly detection approaches for LCS monitoring.
• Abstract（参考訳）: クラウドコンピューティングインフラストラクチャの大規模化と複雑性の急激な成長に伴い、大規模クラウドシステム(LCS)のネットワーク監視はますます難しくなり、サービス可用性を維持するために自動化された信頼性の高い異常検出を必要としている。 現代のLCSは、分散クラウドサービスからテレメトリログを連続的に生成し、システム操作をキャプチャする高次元多変量時系列を生成する。 このコンテキストにおける異常の検出は、極端な次元性、分散コンポーネント間の複雑な依存関係、断続的にアクティブなサービスからの深刻な疎結合によって困難である。 これらの課題を考慮して、まず、IBM Cloud Consoleプラットフォームからのテレメトリログに関する実証的研究を行い、次に、テレメトリログスキーマに符号化された運用コンテキスト属性を活用して、異常の検出精度と早期識別を改善するLCS監視に適した、異常検出フレームワークであるClouDensを提案する。 ClouDensは、高次元テレメトリログをドメイン誘導サブセットに分割し、運用サービス依存性をモデル化したコンテキスト対応グラフを構築し、予測ベースの異常検出にSpatio-Temporal Graph Neural Networksを使用している。 我々は、最近リリースされたIBM Cloud Telemetry Dataset上でClouDensを評価し、LCSモニタリングのための信頼性の高い異常検出ソリューションの設計に関する実践的な洞察を提供する。 その結果、ClouDensは、GRUベースモデルよりも広い範囲で、より正確で早期な異常検出が可能なカウントベーステレメトリ機能において、NABスコアを高い精度で達成していることがわかった。 本研究は, 遠隔計測機能サブセット, 操作コンテキストモデリング, 評価戦略, 疎度計算が検出性能に大きく影響することを明らかにする。

関連論文リスト

• Contextual and Seasonal LSTMs for Time Series Anomaly Detection [49.50689313712684]
  CS-LSTM (Contextual and Seasonal LSTMs) という新しい予測型フレームワークを提案する。 CS-LSTMはノイズ分解戦略に基づいて構築され、コンテキスト依存と季節パターンを併用する。 彼らは一貫して最先端の手法を上回り、堅牢な時系列異常検出における有効性と実用的価値を強調した。
  論文  参考訳（メタデータ） (2026-02-10T11:46:15Z)
• SERVIMON: AI-Driven Predictive Maintenance and Real-Time Monitoring for Astronomical Observatories [36.94429692322632]
  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。
  論文  参考訳（メタデータ） (2025-10-31T03:47:13Z)
• TelecomTS: A Multi-Modal Observability Dataset for Time Series and Language Analysis [23.92333631221749]
  本稿では,5G通信ネットワークから派生した大規模可観測性データセットであるTelecomTSを紹介する。 既存のアプローチは,可観測データの急激な,騒々しい,高分散なダイナミックスに苦しむことを示す。
  論文  参考訳（メタデータ） (2025-10-07T15:54:34Z)
• 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)
• 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)
• 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)
• SDOoop: Capturing Periodical Patterns and Out-of-phase Anomalies in Streaming Data Analysis [45.79830400562905]
  本稿では、SDOのストリーミングバージョンを拡張して、データ構造の時間的情報を保持するSDOoopを提案する。 SDOoopは、従来のアルゴリズムでは検出できないコンテキスト異常を特定し、データジオメトリ、クラスタ、時間パターンの検査を可能にする。 我々は,侵入検出や自然科学領域のデータを用いてSDOoopを評価し,最先端の手法と同等あるいは優れている性能を得た。
  論文  参考訳（メタデータ） (2024-09-04T12:10:57Z)
• 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)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• 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)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。