面向数据库管理系统自动诊断的多变量非平稳时间序列异常检测
机器学习
2018-01-26 v2 机器学习
应用统计
摘要
由于大数据系统中统计量和事件指标的数量不断增加，数据库管理系统（DBMSs）中的异常检测十分困难。在本文中，我提出了一种自动DBMS诊断系统，该系统能够检测具有异常DB统计量指标的异常时段，并找出这些时段内的因果事件。应用深度自编码器的重构误差和统计过程控制方法来检测存在异常的时间段。利用事件与异常统计量指标之间的时间序列相似度度量来寻找相关事件。在使用DBMS指标数据训练深度自编码器后，从其他包含异常的DBMS中考察了异常检测的有效性。实验结果表明了所提出模型的有效性，尤其是批时间归一化层。所提出的模型用于发布自动DBMS诊断报告，以确定DBMS配置和SQL调优。
引用
@article{arxiv.1708.02635,
title = {Anomaly Detection in Multivariate Non-stationary Time Series for Automatic DBMS Diagnosis},
author = {Doyup Lee},
journal= {arXiv preprint arXiv:1708.02635},
year = {2018}
}
备注
8 pages