应用于计算中心预测性维护异常检测的演化粒度分类器比较
神经与进化计算
2020-05-11 v1 机器学习
机器学习
摘要
计算中心的基于日志的预测性维护是支撑 CERN（欧洲核子研究组织）物理实验的全球计算网格所关注的主要问题。日志作为面向事件的临时信息，通常以非结构化大数据的形式提供。日志数据处理是一项耗时的计算任务。其目标是从不断变化的网格环境中获取关键信息，以构建分类模型。演化粒度分类器适用于从时变日志流中学习，从而对异常的严重程度进行在线分类。我们构建了一个 4 类在线异常分类问题，并采用地标间的时间窗口以及两种粒度计算方法，即基于模糊集的演化建模（FBeM）和演化粒度神经网络（eGNN），来对日志活动率进行建模与监控。分类结果对于预测性维护至关重要，因为可以在分类器指示存在高或中等严重程度异常的特定时间间隔内给予优先处理。
引用
@article{arxiv.2005.04156,
title = {Comparison of Evolving Granular Classifiers applied to Anomaly Detection for Predictive Maintenance in Computing Centers},
author = {Leticia Decker and Daniel Leite and Fabio Viola and Daniele Bonacorsi},
journal= {arXiv preprint arXiv:2005.04156},
year = {2020}
}
备注
8 pages, 8 figures, IEEE Conference on Evolving and Adaptive Intelligent Systems (EAIS 2020)