基于统计学习的云自动异常检测
本研究提出了一种自动数据库管理系统诊断系统,通过使用深度自编码器和统计过程控制方法来检测异常,使用时间序列相似度度量方法来找到相关事件。实验结果表明,该模型具有较好的效果,特别是批处理时间规范化层。
Aug, 2017
论文介绍了一种新的检测时间序列数据异常值的方法,主要应用于监测微服务和云资源健康。该方法的主要创新点是将时间序列的建模对象从实数值或实数向量扩展到了实数值(或向量)上的概率分布。
Jul, 2020
该研究论文提出了一种关联时间异常检测模型(RTAnomaly),该模型结合了指标的关联和时间信息,通过图注意力层学习指标之间的依赖关系,并利用正无标签学习来解决训练数据中潜在异常的问题。实验证明,RTAnomaly 在公共数据集和两个工业数据集上表现优于基准模型,平均 F1 得分为 0.929,Hit@3 为 0.920。
Jul, 2023
现代软件系统在复杂性和数量方面不断增长,对多变量监测指标进行异常检测变得越来越关键和具有挑战性。本文提出了一种基于协作机制的多变量监测指标上的异常检测框架 CMAnomaly,该框架能捕捉到不同指标之间以及它们的历史模式之间的依赖关系,通过代价有效的模型实现了准确的异常检测。通过实验结果表明,CMAnomaly 相对于现有基准模型在 F1 得分和运行速度上取得了显著的改进。此外,我们还分享了在华为云中部署 CMAnomaly 的经验。
Aug, 2023
基于生成对抗网络和自注意力机制的无监督深度学习异常检测系统,在考虑了本地子序列中包含的不同特征信息的基础上,自动学习环境传感器变量之间的复杂线性和非线性依赖关系,利用重构误差和判别误差的异常得分计算方法,可以高实时性地监测实际传感器数据的异常点,适用于智能卫星物联网系统。大多数情况下,异常检测优于基准方法,具有很好的可解释性,可用于监测环境传感器,预防工业事故和网络攻击。
Mar, 2024
这篇文章提出了一种基于深度学习技术的自编码器,通过学习超级计算机节点的正常行为来检测异常条件,测试结果表明该方法能够在正常系统行为学习阶段后,以非常好的准确率(在 88%至 96%之间)检测出之前未曾见过的异常条件,因此具有广阔的应用前景。
Nov, 2018
我们提出了一个端到端的异常检测模型开发流程,通过消耗用户反馈并进行持续的用户中心模型性能评估和优化,以解决网络中恶意和非恶意事件引发异常的模式确定困难和标记数据缺失的问题。我们通过引入和基准测试一种名为 Lachesis 的新型预测模型,在现实世界的网络问题上展示了该框架的效力。实验结果表明,与文献中提出的其他模型相比,我们提出的两个版本的 Lachesis 具有鲁棒性和有效性。我们的研究强调了通过用户反馈和迭代式开发在数据驱动产品的整个生命周期中提高性能的潜力。
Feb, 2024
该论文介绍了一种称为统计聚合异常检测(SAAD)的新型异常检测方法。SAAD 方法将先进的统计技术与机器学习相结合,通过在汽车领域的硬件在环(HIL)环境中对真实传感器数据进行验证证明了其有效性。SAAD 的关键创新在于结合了全连接网络和辍学层,极大地提高了异常检测的准确性和健壮性。综合实验评估结果表明,单独的统计方法达到了 72.1% 的准确性,而单独的深度学习模型达到了 71.5% 的准确性。相比之下,聚合方法达到了 88.3% 的准确性和 0.921 的 F1 得分,优于单独的模型。这些结果强调了 SAAD 的有效性,并展示了其在各个领域,包括汽车系统中的广泛应用潜力。
Jun, 2024
本文提出了一种基于自动生成标记数据的端到端自动化机器学习方法 MOSPAT,以选择算法和参数,可以满足大规模组织中用户所监测的无数用例和指标以及其异常模式的各种时间序列特征。该方法不需要专家知识或繁琐的手动标注,并在实验数据上稳定优于使用任何单一算法。
May, 2022
快速有效的基于序列模式相似性的异常检测和警报过滤方法在大规模现实世界工业系统中被应用,通过与现有基准方法进行对比,验证了其普适性和稳健性。
May, 2024