基于变分自编码器对 Web 应用中季节性 KPI 的无监督异常检测
机器学习
2018-02-13 v1 机器学习
摘要
为保障业务不中断，大型互联网公司需要密切监控其 Web 应用的各种 KPI（例如页面浏览量、在线用户数和下单数），以准确检测异常并触发及时的故障排查/缓解。然而，对于这些具有多种模式和数据质量的季节性 KPI，尤其在无标签情况下的异常检测一直是一项巨大挑战。本文中，我们提出 Donut，一种基于 VAE 的无监督异常检测算法。得益于我们的几项关键技术，Donut 大幅优于一种最先进的监督集成方法和一种基线 VAE 方法，对于来自一家全球顶级互联网公司的所研究 KPI，其最佳 F 值介于 0.75 到 0.9 之间。我们为 Donut 的重构提出了一种新颖的 KDE 解释，使其成为首个具有坚实理论解释的基于 VAE 的异常检测算法。
引用
@article{arxiv.1802.03903,
title = {Unsupervised Anomaly Detection via Variational Auto-Encoder for Seasonal KPIs in Web Applications},
author = {Haowen Xu and Wenxiao Chen and Nengwen Zhao and Zeyan Li and Jiahao Bu and Zhihan Li and Ying Liu and Youjian Zhao and Dan Pei and Yang Feng and Jie Chen and Zhaogang Wang and Honglin Qiao},
journal= {arXiv preprint arXiv:1802.03903},
year = {2018}
}
备注
12 pages (including references), 17 figures, submitted to WWW 2018: The 2018 Web Conference, April 23--27, 2018, Lyon, France. The contents discarded from the conference version due to the 9-page limitation are also included in this version