面向云服务系统中事件的开放式异常检测与定位框架 EventADL
机器学习
2026-05-05 v1 计算机视觉与模式识别
摘要
异常检测与定位（ADL）对于维持云系统的可靠性和可用性至关重要。近期的 ADL 开发主要聚焦于指标和日志数据，未充分利用事件数据。为此，我们提出 EventADL，面向云服务系统的首个基于事件的开放式 ADL 框架。为驱动框架设计，我们对 520 起真实事件进行系统性分析，阐明了异常及其根本原因如何通过事件数据呈现。EventADL 包含三个阶段：离线训练、在线异常检测和根本原因定位。在训练阶段，EventADL 首先学习事件语义模式（ESP），捕捉使用历史事件数据表示的系统实体之间的正常交互，随后学习事件频率模式（EFP），捕捉已知 ESP 的正常频率。在线异常检测阶段，任何偏离上述任一模式的数据在事件流中都被识别为异常。在定位阶段，EventADL 构建干预图（Intervention Graph），以建模最近的系统交互与检测到的异常之间的关系，以实现自动根本原因定位。该框架设计为能够高效地处理无标签数据，并生成具有可解释性的异常及其对应的根本原因。我们在三个真实云服务系统和两个真实事件案例中进行评估，结果表明 EventADL 超越了现有方法，异常检测 F1 分数至少为 90%，根本原因定位 1-3 位准确率达 100%。
引用
@article{arxiv.2605.00935,
title = {Watch Your Step: Information Injection in Diffusion Models via Shadow Timestep Embedding},
author = {An Huang and Junggab Son and Zuobin Xiong},
journal= {arXiv preprint arXiv:2605.00935},
year = {2026}
}
备注
14 pages, accepted to ICML 2026