論文の概要: BEACON: Bridging Multimodal Semantics and Asynchronous Propagation for Cloud System Anomaly Detection
- arxiv url: http://arxiv.org/abs/2610.27542v1
- Date: Tue, 20 Oct 2026 02:57:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.595234
- Title: BEACON: Bridging Multimodal Semantics and Asynchronous Propagation for Cloud System Anomaly Detection
- Title（参考訳）: BEACON: クラウドシステム異常検出のためのマルチモーダルセマンティックスと非同期プロパゲーション
- Abstract要約: 我々は,マルチモーダルなsEmanticsとクラウドシステムAnOmalyによる異常検出のための非同期伝搬をブリッジするフレームワークBEACONを提案する。
BEACONは異常検出において最先端のベースラインを一貫して上回ることを示す。
- 参考スコア（独自算出の注目度）: 23.821195150911496
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Modern large-scale cloud systems continuously generate massive and multimodal observability data, such as time-series metrics, log records, and system dependency graphs, which reflect the health state of the system. To ensure reliable cloud system operation, anomaly detection models identify abnormal states by analyzing these multimodal observations. However, existing approaches rely on simple fusion strategies and graph learning, ignoring the semantic gap among modalities and the asynchronous spatio-temporal dependencies across system instances over time. To this end, we propose BEACON, a framework to Bridge multimodal sEmantics and Asynchronous propagation for Cloud system anOmaly detectioN. Specifically, we introduce a Dynamic Interpretable Multimodal Aggregator (DIMA) that leverages an information-bottleneck mechanism to compress information from the semantics and temporal dynamics of metrics, and aligns them with logs in a shared prototype space. Furthermore, we propose an Asynchronous Spatio-Temporal Propagator (ASTP) that captures temporal dependencies with multi-scale temporal attention and models spatial relations with topology-aware aggregation. This enables asynchronous propagation of anomalies across system instances. Extensive experiments on three real-world cloud system datasets demonstrate that \textbf{BEACON} consistently outperforms state-of-the-art baselines in anomaly detection.
- Abstract（参考訳）: 現代の大規模クラウドシステムは、時系列メトリクス、ログレコード、システム依存グラフなど、システムの状態を反映した大規模かつマルチモーダルな可観測データを継続的に生成している。
クラウドシステムの信頼性を確保するため、異常検出モデルはこれらのマルチモーダル観測を分析して異常状態を識別する。
しかし、既存のアプローチは単純な融合戦略とグラフ学習に依存しており、モジュール間の意味的ギャップや時間とともにシステムインスタンス間の非同期時空間依存性を無視している。
そこで我々は,マルチモーダルなsEmanticsとAsynchronous propagation for Cloud System anOmaly detectioNをブリッジするBEACONを提案する。
具体的には,インフォメーション・ブートネック機構を利用した動的解釈型マルチモーダルアグリゲータ(DIMA)を導入し,メトリクスのセマンティクスや時間的ダイナミクスから情報を圧縮し,それらを共有プロトタイプ空間のログと整合させる。
さらに,マルチスケールの時間的注意を伴って時間的依存を捉え,トポロジ・アウェア・アグリゲーションと空間的関係をモデル化する非同期時空間プロパゲータ (ASTP) を提案する。
これにより、システムインスタンス間の異常の非同期伝搬が可能になる。
3つの実世界のクラウドシステムデータセットに対する大規模な実験は、異常検出において、‘textbf{BEACON}’が常に最先端のベースラインを上回ることを実証している。
関連論文リスト
- $M^2Net$: Unifying Scale-Specific Structures and Prototype Decomposition for Spatial-Temporal Forecasting [62.414974731333295]
我々は、スケール固有の構造学習と意味分解を統合するために、$M2Net$という新しいフレームワークを提案する。
M2Net$は、広範な経験的検証において最先端のベースラインを上回っます。
論文 参考訳（メタデータ） (2026-10-17T07:24:57Z) - UniMamba: A Unified Spatial-Temporal Modeling Framework with State-Space and Attention Integration [24.102050375727263]
UniMambaは、統合された時空間予測フレームワークである。
これは、効率的な状態空間のダイナミクスと注意に基づく依存性学習を統合する。
予測精度と計算効率の両方において、最先端の予測モデルより一貫して優れている。
論文 参考訳（メタデータ） (2026-03-06T05:00:28Z) - 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) - UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。
コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。
8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2025-12-08T05:36:14Z) - TIMED: Adversarial and Autoregressive Refinement of Diffusion-Based Time Series Generation [0.31498833540989407]
TIMEDは、フォワード-リバース拡散プロセスを通じてグローバル構造をキャプチャする統合生成フレームワークである。
特徴空間における実および合成分布をさらに整合させるため、TIMEDは最大平均離散性(MMD)損失を取り入れている。
我々は、TIMEDが最先端の生成モデルよりも現実的で時間的に一貫性のあるシーケンスを生成することを示す。
論文 参考訳（メタデータ） (2025-09-23T23:05:40Z) - DAMS:Dual-Branch Adaptive Multiscale Spatiotemporal Framework for Video Anomaly Detection [7.117824587276951]
この研究は、マルチレベル特徴とデカップリング融合に基づくDual-Branch Adaptive Multiscale Stemporal Framework (DAMS)と呼ばれるデュアルパスアーキテクチャを提供する。
主処理経路は、適応型マルチスケール時間ピラミッドネットワーク(AMTPN)と畳み込みブロック注意機構(CBAM)を統合している。
論文 参考訳（メタデータ） (2025-07-28T08:42:00Z) - Exploiting Multimodal Spatial-temporal Patterns for Video Object Tracking [53.33637391723555]
本研究では,STTrack というマルチモーダル空間時間追跡手法を提案する。
従来のパラダイムとは対照的に,マルチモーダル時間情報を含むトークン列を連続的に生成する時間状態生成器(TSG)を導入している。
これらの時間情報トークンは、次の時刻におけるターゲットの局所化を誘導し、ビデオフレーム間の長距離コンテキスト関係を確立し、ターゲットの時間軌道を捕捉するために使用される。
論文 参考訳（メタデータ） (2024-12-20T09:10:17Z) - System States Forecasting of Microservices with Dynamic Spatio-Temporal Data [9.519440926598524]
現在の予測手法は、関係が重要となる環境では不十分である。
短期および長期の予測タスクでは,MAE(Mean Absolute Error)の8.6%削減,MSE(Mean Squared Error)の2.2%削減を達成した。
論文 参考訳（メタデータ） (2024-08-15T02:52:02Z) - Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。
グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。
グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
論文 参考訳（メタデータ） (2023-09-11T08:44:07Z)
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。