Arxiv hàng ngày

Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới.
Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận.
Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.

ChronoGraph: Bộ dữ liệu chuỗi thời gian đa biến dựa trên đồ thị thực tế

Created by
  • Haebom

Tác giả

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

Phác thảo

ChronoGraph là một bộ dữ liệu dự báo chuỗi thời gian đa biến, có cấu trúc đồ thị, được xây dựng từ các dịch vụ vi mô trong thế giới thực. Mỗi nút là một dịch vụ phát ra một luồng đa biến các số liệu hiệu suất cấp hệ thống, ghi lại các mẫu sử dụng CPU, bộ nhớ và mạng, trong khi các cạnh có hướng biểu diễn các phụ thuộc giữa các dịch vụ. Thách thức chính là dự đoán các giá trị tương lai của các tín hiệu này ở cấp dịch vụ. Hơn nữa, ChronoGraph cung cấp các cửa sổ sự kiện được chuyên gia chú thích với các nhãn phát hiện bất thường, cho phép đánh giá các phương pháp phát hiện bất thường và tính mạnh mẽ của các dự đoán trong thời gian ngừng hoạt động. So với các chuẩn mực hiện có trong hệ thống điều khiển công nghiệp hoặc lĩnh vực vận tải và chất lượng không khí, ChronoGraph kết hợp độc đáo (i) chuỗi thời gian đa biến, (ii) đồ thị phụ thuộc rõ ràng, có thể đọc được bằng máy và (iii) các nhãn bất thường phù hợp với các sự kiện trong thế giới thực. Nó báo cáo các kết quả cơ sở bao gồm các mô hình dự đoán, các mô hình dựa trên chuỗi thời gian được đào tạo trước và các bộ phát hiện bất thường tiêu chuẩn. ChronoGraph cung cấp một chuẩn mực thực tế để nghiên cứu dự đoán có nhận thức về cấu trúc và đánh giá có nhận thức về sự kiện trong các hệ thống dịch vụ vi mô.

Takeaways, Limitations

Takeaways:
Nó cho phép phát triển và đánh giá các mô hình dự đoán thực tế bằng cách đưa vào dữ liệu chuỗi thời gian đa biến được thu thập trong môi trường dịch vụ vi mô thực tế và thông tin phụ thuộc giữa các dịch vụ.
Bằng cách cung cấp nhãn phát hiện bất thường dựa trên các sự kiện trong thế giới thực, bạn có thể đánh giá tính mạnh mẽ của các mô hình dự đoán và sử dụng chúng để nghiên cứu các phương pháp phát hiện bất thường.
Chúng tôi cung cấp chuẩn mực mới cho nghiên cứu dự đoán và phát hiện bất thường, có tính đến đặc điểm cấu trúc của hệ thống vi dịch vụ.
Limitations:
Vì tập dữ liệu được thu thập trong một môi trường dịch vụ vi mô cụ thể nên cần phải kiểm tra khả năng tổng quát hóa của nó.
Có thể cần phải phân tích thêm để xác định độ chính xác và độ tin cậy của nhãn lý tưởng được cung cấp.
Có thể cần mở rộng thêm để tăng kích thước và tính đa dạng của tập dữ liệu.
👍