HigeNet：一种用于 AIOps 中长序列时间序列预测的高效建模方法
机器学习
2022-11-16 v1 人工智能
摘要
现代 IT 系统运维需要系统软硬件指标的集成。因此，它生成海量数据，可潜在用于数据驱动的运维决策。在基本形式上，决策模型需要监控大量机器数据，如 CPU 利用率、分配内存、磁盘与网络延迟，并预测系统指标以预防性能退化。然而，在此场景中构建有效预测模型颇具挑战，因为模型必须准确捕捉多变量时间序列（MTS）中的长程耦合依赖。此外，该模型需具有低计算复杂度并能高效扩展到可用数据维度。本文提出一种名为 HigeNet 的高效模型来预测长时间序列时间序列。我们已在 D-matrix 平台的生产环境中部署 HigeNet。我们还通过在多个公开数据集以及一个在线数据集上的离线评估来展示模型效能。大量实验表明，该模型的训练时间、资源使用和准确率均显著优于五种当前最优竞争模型。
引用
@article{arxiv.2211.07642,
title = {HigeNet: A Highly Efficient Modeling for Long Sequence Time Series Prediction in AIOps},
author = {Jiajia Li and Feng Tan and Cheng He and Zikai Wang and Haitao Song and Lingfei Wu and Pengwei Hu},
journal= {arXiv preprint arXiv:2211.07642},
year = {2022}
}
备注
12 pages, 7 figures