MELODY：用于多变量时间序列实体级在线异常检测的鲁棒半监督混合模型
机器学习
2024-06-07 v2
摘要
在大型 IT 系统中，软件部署是在线服务的关键过程，因为其代码会定期更新。然而，有缺陷的代码更改可能会降低目标服务的性能，并导致下游服务的级联中断。因此，应全面监控软件部署，并及时检测其异常情况。在本文中，我们研究了部署的异常检测问题。我们首先识别了该异常检测问题特有的挑战，该问题处于实体级（例如，部署），相对于更典型的多变量时间序列（MTS）异常检测问题。独特的挑战包括部署的异构性、低延迟容忍度、模糊的异常定义以及有限的监督。为了解决这些问题，我们提出了一种新颖的框架，即用于实体级在线异常检测的半监督混合模型（MELODY）。MELODY 首先通过在线特征提取器将不同实体的 MTS 转换到相同的特征空间，然后使用一种新提出的半监督深度单类模型来检测异常实体。我们在具有 120 万以上时间序列的云服务真实数据上评估了 MELODY。MELODY 相对于最先进方法的相对 F1 分数提升范围从 7.6% 到 56.5%。用户评估表明，MELODY 适用于监控大型在线系统中的部署。
引用
@article{arxiv.2401.10338,
title = {MELODY: Robust Semi-Supervised Hybrid Model for Entity-Level Online Anomaly Detection with Multivariate Time Series},
author = {Jingchao Ni and Gauthier Guinet and Peihong Jiang and Laurent Callot and Andrey Kan},
journal= {arXiv preprint arXiv:2401.10338},
year = {2024}
}