文献阅读
文章平均质量分 89
RegulusF
这个作者很懒,什么都没留下…
展开
-
[文献阅读]LogM: Log Analysis for Multiple Components of Hadoop Platform
发表会议:2021 ACCESS1.Abstract提出LogM框架,利用深度学习,只是图谱技术对Hadoop集群进行故障与预测分析。开发一个基于注意力的双向长短期(Bi-LSTM)架构的CAB网络,有效的从日志数据中学习时间动态,预测系统状态。使用知识图谱方法进行故障分析与诊断。进行大量实验评估性能,2.Intuoductionmovation1:hadoop的设备通常分布在许多地方,由于单一设备容量有限,因此很容易出现故障,一个设备的故障可能会传播到其他部分,并最终导致整个系统全局中断。随原创 2021-10-21 18:29:50 · 664 阅读 · 0 评论 -
[文献阅读]Multi-Scale One-Class Recurrent Neural Networks for Discrete Event Sequence Anomaly Detection
1.Introduction离散事件序列异常检测每个日志由消息类型和变量组成,当日志键根据记录时间按照顺序排列的时候,它们形成一个离散时间序列。比如说这个例子,如果正常状态下k2总在k1之后,那么k2接在k5之后就可能是系统的一个异常状态。存在的两个问题:1.异常检测问题中的数据不平衡问题。系统大部分时间处于正常状态,异常状态比较罕见,这使得二元分类模型在异常检测上变得没有效果。2.事件的离散性,离散事件序列由离散的符号组成,很难捕捉事件随时间的关系。于是作者提出一种用于事件序列异常检测的多原创 2021-08-21 01:17:55 · 514 阅读 · 3 评论 -
[文献阅读]BeatGAN: Anomalous Rhythm Detection using Adversarially Generated Time Series
发表会议:2019_IJCIA1.Abstract给定一个大规模有节奏的时间序列,其中主要包含正常的数据片段(或节拍),是否可以以有效的方式来检测异常的节拍?现有的方法需要过多的数量的标记和平衡数据来进行分类,或以来较少规则化的重构,从而导致异常检测的准确性较低。作者基于此提出BeatGAN,一种用于时间序列数据的无监督异常检测算法。BeatGAN可以输出可解释的结果,通过将其与对抗性生成的节拍进行比较,以查明输入节拍的异常时间。通过使用对抗生成的方法对重构误差进行正则化,以及使用时间序列翘曲进行数原创 2021-03-16 11:31:55 · 1432 阅读 · 0 评论 -
[文献阅读]Automated Anomaly Detection in Large Sequences
1 Movation传统的序列异常 基于子序列与其在数据集中的最近邻(NN)距离,具有最远的NN的子序列一般被标记为异常。但是这种方法存在问题:如图所示:遵循最近邻的思想,在b中绘制出每个子序列与其NN的距离,但是可以看到在b中的最高峰并不对应与异常,这是因为数据集包含多个彼此相似的类型的异常,同时,这种方法将正常的子序列标记为异常,从而导致误报。为了纠正这种情况,有人提出了第m种不一致的方法,这种方法考虑了彼此相似的异常子序列的多重性m,并通过计算每个子序列的第m个而不是NN),并且将同一组中的原创 2021-03-15 20:23:49 · 290 阅读 · 0 评论 -
[文献阅读]SAD: An Unsupervised System for Subsequence Anomaly Detection
1 Abstract作者提出了适用于不可知域的异常检测方法Norm,并介绍了使用Norm方法的无监督子序列异常检测系统SAD。2 基本思想:构建一个正常序列的模型,通过将样本的模型域正常序列的模型进行对比,计算出一段序列之间的欧式距离,距离超过阈值则被标记为异常。3 具体实现:...原创 2021-03-15 10:37:03 · 301 阅读 · 0 评论 -
[文献阅读]Robust Anomaly Detection for Multivariate Time Series through Stochastic RNN
Robust Anomaly Detection for Multivariate Time Series through Stochastic Recurrent Neural Network发表会议:2019 KDD原创 2021-03-03 10:05:42 · 3535 阅读 · 0 评论 -
[文献阅读]A deep neural network for unsupervised anomaly detection and diagnosis in MTSD
A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis in Multivariate Time Series Data发表会议:2019 AAAIMovation:1.多元时间序列异常检测和诊断是要在时间步长中识别异常状态并查明原因。作者要建立这样的一个系统。2.系统需要捕获每个时间序列中的事件依赖性,同时对不同时间序列对之间的相互关系进行编码,并且需要抗噪声能力,还可以根据不同事件的严重性为操作员提供不同等级的原创 2021-03-01 11:23:13 · 3842 阅读 · 13 评论 -
[文献阅读]Detecting Spacecraft Anomalies Using LSTMs and Nonparametric Dynamic Thresholding
使用LSTM和非参数的动态阈值检测航天器的异常,发表在2018年的KDD上。ABSTRACT 随着航天器返回越来越多的遥测数据,需要改进异常检测系统以减轻操作工程师的监控负担并降低操作风险。当前的航天器监视吸引同仅针对一部分的异常类型,并且由于这些数据异常涉及到的规模以及复杂性,常常需要高昂的人力成本来维护和开发。 1.我们证明在标记SMAP卫星和Curiosity火星车的异常数据上,LSTM(RNN的一种)的有效性。 2.我们还提出了在SMAP异常检测系统中实验实施期间开发的一种互补的原创 2021-01-08 12:48:41 · 2643 阅读 · 4 评论 -
[文献阅读]SwitchReduce : Reducing Switch State and Controller Involvement in OpenFlow Networks
AbstractOpenFlow是一种流行的网络体系结构,其中几种逻辑的控制器(控制平面)与所有转发交换机(数据平面分离)。通过控制器,OpenFlow框架可以实现交换机中的流级别粒度,从而对每个单独的流进行监视和控制。这种体系结构的代价是在各种流量工程场景中,对交换机状态大小施加极大的压力,并给控制器造成负担。在沿着流路径的每个交换机上存在着流匹配规则和流计数器,这会导致每个交换机成千上万的条目。为了尝试利用较少拥塞的路径,或者由于虚拟机迁移而动态的重新路由流,会导致控制器沿旧路径和新路径对每个交换原创 2021-01-08 12:50:54 · 285 阅读 · 0 评论 -
[文献阅读]DEEP LEARNING FOR ANOMALY DETECTION: A SURVEY
ABSTRACT1.基于深度学习的异常检测的研究方法进行结构化和全面的概述2.回顾这些方法在各个领域这个中的应用情况,并评估他们的有效性。3.根据基本假设和采用的方法将最先进的深度异常检测技术分为不同的类别。4.每个类别介绍了基本的异常检测与变体,提出关键假设,以区分正常和异常行文,对每个变体,提出有点和限制条件,并且讨论每个技术在真实应用中的计算复杂度。5.概述深度异常检测技术研究时未解决的和面临的问题1. INTRODUCTION1.对深度异常检测(DAD)的研究方法进行结构化和全面的综述原创 2021-01-08 12:51:04 · 7657 阅读 · 1 评论