Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

ChronoGraph : un ensemble de données chronologiques multivariées basé sur des graphiques du monde réel

Created by
  • Haebom

Auteur

Adrian Catalin Lutu, Ioana Pintilie, Elena Burceanu, Andrei Manolache

Contour

ChronoGraph est un jeu de données de prévision de séries temporelles multivariées, structuré sous forme de graphes et construit à partir de microservices réels. Chaque nœud est un service émettant un flux multivarié de mesures de performance système qui capturent les schémas d'utilisation du processeur, de la mémoire et du réseau, tandis que les arêtes dirigées représentent les dépendances interservices. Le principal défi consiste à prédire les valeurs futures de ces signaux au niveau du service. De plus, ChronoGraph fournit des fenêtres d'événements annotées par des experts avec des étiquettes de détection d'anomalies, permettant d'évaluer les méthodes de détection d'anomalies et la robustesse des prédictions en cas de panne. Comparé aux benchmarks existants dans les domaines des systèmes de contrôle industriel, des transports et de la qualité de l'air, ChronoGraph combine de manière unique (i) des séries temporelles multivariées, (ii) des graphes de dépendance explicites et lisibles par machine, et (iii) des étiquettes d'anomalies alignées sur des événements réels. Il fournit des résultats de référence incluant des modèles de prédiction, des modèles pré-entraînés basés sur des séries temporelles et des détecteurs d'anomalies standard. ChronoGraph offre un benchmark réaliste pour l'étude de la prédiction sensible à la structure et de l'évaluation sensible aux événements dans les systèmes de microservices.

Takeaways, Limitations

Takeaways:
Il permet le développement et l'évaluation de modèles prédictifs réalistes en incluant des données de séries chronologiques multivariées collectées dans un environnement de microservices réel et des informations de dépendance interservices.
En fournissant des étiquettes de détection d’anomalies basées sur des événements réels, vous pouvez évaluer la robustesse de vos modèles de prédiction et les utiliser pour rechercher des méthodes de détection d’anomalies.
Nous fournissons une nouvelle référence pour la recherche sur la prédiction et la détection d'anomalies qui prend en compte les caractéristiques structurelles des systèmes de microservices.
Limitations:
ÉTant donné que l’ensemble de données a été collecté dans un environnement de microservice spécifique, sa généralisabilité doit être examinée.
Une analyse supplémentaire peut être nécessaire pour déterminer l’exactitude et la fiabilité des étiquettes idéales fournies.
Une extension supplémentaire pourrait être nécessaire pour augmenter la taille et la diversité de l’ensemble de données.
👍