面向计算工作流异常检测的自监督学习
机器学习
2023-10-03 v1 分布式、并行与集群计算
摘要
异常检测是识别系统异常行为的任务。计算工作流中的异常检测因其在网络安全、金融和社交网络等多个领域的广泛影响而备受关注。然而，计算工作流中的异常检测（通常建模为图）是一个相对未被充分探索的问题，并带来独特的挑战。例如，当在图数据上执行异常检测时，必须考虑节点与边的复杂相互依赖关系、节点属性的异质性以及边类型。尽管图神经网络的使用有助于捕捉复杂的相互依赖关系，但工作流执行中标记异常样本的稀缺仍是一个重大挑战。为解决此问题，我们引入了一种自编码器驱动的自监督学习（SSL）方法，该方法从未标记的工作流数据中学习汇总统计量，并在潜空间中估计计算工作流的正常行为。在该方法中，我们结合生成式与对比式学习目标来检测汇总统计量中的离群点。我们证明，通过在潜空间中估计正常行为的分布，可以在我们的基准数据集上超越最先进的异常检测方法。
引用
@article{arxiv.2310.01247,
title = {Self-supervised Learning for Anomaly Detection in Computational Workflows},
author = {Hongwei Jin and Krishnan Raghavan and George Papadimitriou and Cong Wang and Anirban Mandal and Ewa Deelman and Prasanna Balaprakash},
journal= {arXiv preprint arXiv:2310.01247},
year = {2023}
}