基于时间状态对齐的异常时间序列根因检测
机器学习
2020-01-07 v1 应用统计
机器学习
摘要
近来软件系统规模与复杂度的提升给时间序列监控与异常检测过程带来了新挑战。现有异常检测方法的一大缺陷是缺乏上下文信息以帮助利益相关者识别异常原因。该问题被称为根因检测，在当今复杂分布式软件系统中尤为困难，因为所考量的指标通常具有多重内部与外部依赖。需大量人工分析与深厚领域知识才能隔离问题正确原因。本文提出一种通过分析时间序列波动中模式来隔离异常根因的方法。我们将时间序列视为底层过程经过一系列离散化隐状态所得的观测。其思想是：当给定问题引起底层状态未对齐但同质的偏移时，追踪该效应的传播。我们通过识别一组观测波动中的因果模式，在Zillow点击流数据中查找异常根因来评估本方法。
引用
@article{arxiv.2001.01056,
title = {Root Cause Detection Among Anomalous Time Series Using Temporal State Alignment},
author = {Sayan Chakraborty and Smit Shah and Kiumars Soltani and Anna Swigart},
journal= {arXiv preprint arXiv:2001.01056},
year = {2020}
}
备注
6 pages, 7 figures, 2019 18th IEEE International Conference on Machine Learning and Applications (ICMLA)