Сервис обнаружения аномалий во временных рядах в Microsoft
Time-Series Anomaly Detection Service at Microsoft
2019-07-25
SCID: 54.1/tnkg78xh
Discuss with AI
сверточная нейронная сетьпроизводственные данные Microsoftспектральный остатоксервис онлайн-обнаружения аномалийобнаружение аномалий во временных рядах
Figures from the paper
Abstract (AI)
Крупным компаниям необходимо в режиме реального времени отслеживать различные метрики (например, количество просмотров страниц и доход) своих приложений и сервисов. В Microsoft мы разрабатываем сервис обнаружения аномалий во временных рядах, который помогает клиентам непрерывно контролировать временные ряды и своевременно получать оповещения о потенциальных инцидентах. В данной статье представлены конвейер и алгоритм нашего сервиса обнаружения аномалий, разработанные с учетом требований к точности, эффективности и универсальности. Конвейер состоит из трех основных модулей: приема данных, платформы для проведения экспериментов и онлайн-вычислений. Для решения задачи обнаружения аномалий во временных рядах мы предлагаем новый алгоритм, основанный на спектральном остатке (Spectral Residual, SR) и сверточной нейронной сети (Convolutional Neural Network, CNN). Наша работа представляет собой первую попытку адаптировать модель SR из области обнаружения визуальной значимости к задаче обнаружения аномалий во временных рядах. Кроме того, мы инновационно объединяем SR и CNN для повышения эффективности модели SR. Наш подход демонстрирует превосходящие результаты экспериментов по сравнению с базовыми методами, соответствующими современному уровню, как на общедоступных наборах данных, так и на производственных данных Microsoft.
Key Findings
1
Microsoft разработала сервис обнаружения аномалий во временных рядах для непрерывного мониторинга метрик приложений и сервисов в реальном времени.
2
Предложенный метод превосходит современные базовые методы на общедоступных наборах данных и производственных данных Microsoft.
3
Предложенный алгоритм обнаружения аномалий объединяет Spectral Residual и сверточную нейронную сеть для повышения эффективности Spectral Residual.
4
Конвейер сервиса включает прием данных, платформу экспериментов и онлайн-вычисления, обеспечивая точность, эффективность и универсальность.
5
Работа впервые применяет модель Spectral Residual из области обнаружения визуальной заметности к обнаружению аномалий во временных рядах.
Research Object
Сервис Microsoft для обнаружения аномалий во временных рядах показателей приложений и сервисов в реальном времени
Research Subject
Точное, эффективное и универсальное обнаружение потенциальных инцидентов во временных рядах при непрерывном мониторинге с использованием подхода на основе Spectral Residual и сверточной нейронной сети
Publication Details
Publication Date
2019-07-25
Journal
Publisher
ISSN
Cited by
686
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai1
Работы, цитирующие эту статью10
Рекуррентные нейронные сети: всесторонний обзор архитектур, вариантов и приложений2024
Обнаружение аномалий во временных рядах2022
Глубокое обучение для обнаружения аномалий во временных рядах: обзор2024
Обнаружение аномалий в многомерных временных рядах с помощью графовой сети внимания2020
Обнаружение и интерпретация аномалий в многомерных временных рядах с использованием иерархического межметрического и временного вложения2021
Обзор методов машинного обучения для обеспечения кибербезопасности за последнее десятилетие2020
DCdetector: контрастивное обучение представлений временных рядов с двойным вниманием для обнаружения аномалий2023
TadGAN: обнаружение аномалий во временных рядах с использованием генеративных состязательных сетей2020
TimesURL: самоконтролируемое контрастивное обучение для универсального представления временных рядов2024
Обзор глубокого обнаружения аномалий в многомерных временных рядах: таксономия, приложения и направления исследований2025