基于混合机器学习方法的金融IT系统异常预测框架
机器学习
2019-12-20 v3 机器学习
摘要
在金融领域，健壮的软件系统对保障金融交易的顺畅运行至关重要。然而，许多金融企业仍在金融软件系统发生故障时依赖运维人员来识别和排除系统故障。这种传统运维方式耗时且效率极低。为提升系统故障检测的效率与准确性，从而降低系统故障对金融服务的影响，我们提出一种基于机器学习的新框架，用于预测金融软件系统中系统异常与故障的发生。具体而言，我们首先从系统日志中提取丰富信息并消除数据中的噪声。随后将清洗后的数据作为我们所提异常预测框架的输入，该框架由三个模块组成：关键性能指标(KPI)数据预测模块、异常识别模块和严重度分类模块。值得注意的是，我们设计了告警分类器的分层架构，并试图缓解类不平衡问题对整体性能的影响。实证上，实验结果在真实世界金融软件系统日志数据集上展示了我们所提方法的优越性能。
引用
@article{arxiv.1907.12778,
title = {An anomaly prediction framework for financial IT systems using hybrid machine learning methods},
author = {Jingwen Wang and Jingxin Liu and Juntao Pu and Qinghong Yang and Zhongchen Miao and Jian Gao and You Song},
journal= {arXiv preprint arXiv:1907.12778},
year = {2019}
}