用于异常检测的数据中心万物图数据驱动构建
机器学习
2020-04-28 v1 信号处理
机器学习
摘要
数据中心(DC)同时包含IT设备与基础设施设备,其运行需要高质量的监控(异常检测)系统。机房内布置有大量传感器用于DC监控系统,且这些传感器天然相关。本工作提出一种数据驱动流水线(ts2graph),从传感器的时间序列测量值构建DC万物图(传感器图)。传感器图是一种无向带权属性图,其中传感器为节点,传感器特征为节点属性,传感器连接为边。传感器节点属性由刻画传感器事件(行为)的特征定义,而非原始时间序列。传感器连接(边权)由两传感器间并发事件的概率定义。从真实数据中心传感器时间序列构建了万物图原型,成功揭示了传感器间有意义的关系。为展示DC传感器图在异常检测上的应用,我们在合成异常数据上比较了图神经网络(GNN)与现有标准方法的性能。GNN在精确率与F1分数上以2至3倍优于现有算法,因其考虑了DC传感器间的拓扑关系。我们期望DC传感器图能作为DC监控系统的基础设施,因其表征了传感器关系。
引用
@article{arxiv.2004.12540,
title = {Data-Driven Construction of Data Center Graph of Things for Anomaly Detection},
author = {Hao Zhang and Zhan Li and Zhixing Ren},
journal= {arXiv preprint arXiv:2004.12540},
year = {2020}
}
备注
17 pages, 9 figures, 4 tables