McUDI：用于故障预测 AIOps 解决方案的以模型为中心的无监督退化指标
软件工程
2024-01-26 v1 机器学习
摘要
由于运行数据的持续变化，AIOps 解决方案的性能会随时间退化。尽管周期性重训练是保持故障预测 AIOps 模型性能的 SOTA 技术，但该技术需要大量标注数据来进行重训练。在 AIOps 中，获取标注数据成本高昂，因为需要领域专家对其进行密集标注。本文提出了 McUDI，一种以模型为中心的无监督退化指标，能够检测由于数据变化导致 AIOps 模型需要重训练的确切时刻。我们进一步展示了在 AIOps 解决方案的维护流程中采用 McUDI，可以在实现与周期性重训练相似性能的同时，将需要标注的样本数量减少 3 万（针对作业故障预测）和 26 万（针对磁盘故障预测）。
引用
@article{arxiv.2401.14093,
title = {McUDI: Model-Centric Unsupervised Degradation Indicator for Failure Prediction AIOps Solutions},
author = {Lorena Poenaru-Olaru and Luis Cruz and Jan Rellermeyer and Arie van Deursen},
journal= {arXiv preprint arXiv:2401.14093},
year = {2024}
}