Concept Drift-Adaptive Reliability Anomaly Detection for Runtime Edge Services

Lei Wang

doi:10.1109/tsc.2026.3732797

Concept Drift-Adaptive Reliability Anomaly Detection for Runtime Edge Services

2026-09-10

0

PRE

AI

DOI：10.1109/tsc.2026.3732797

原文链接

原文求助

摘要

En 中文

多接入边缘计算（MEC）通过在网络边缘部署边缘服务来提高终端设备的实时响应能力。确保低延迟MEC系统应用需要及时检测边缘服务的运行时可靠性异常。由于观测到的可靠性流数据具有高波动性和低价值密度，这项任务具有挑战性。此外，MEC系统的操作演变（如软件升级和缓存优化）会导致边缘服务性能变化，引起边缘服务可靠性流数据分布的概念漂移，从而进一步降低异常检测模型的实时有效性。这些模型始终面临严重的技术债务（即模型再训练）挑战。本文提出了SF-Detection，一种针对运行时边缘服务的概念漂移自适应可靠性异常检测方法。首先，为了准确检测运行时可靠性异常，SF-Detection开发了ATBGAN，它将残差网络（ResNets）引入生成对抗框架，从高度波动和低价值密度的可靠性数据流中提取动态特征。通过对抗训练学习正常可靠性模式，ATBGAN实现了对运行时边缘服务的准确高效异常检测。其次，为了解决由概念漂移引起的异常检测模型失效问题，同时满足低延迟应用需求，SF-Detection引入了CDAda进行模型自适应。受强化学习启发，CDAda采用轻量级策略网络选择最优残差块进行微调。通过在五个扩展数据集和一个模拟MEC环境中进行的一系列实验验证了SF-Detection的性能。

Keyword:

Adaptive fine-tuning

anomaly detection

concept drift

edge service

reliability

Concept Drift-Adaptive Reliability Anomaly Detection for Runtime Edge Services

摘要

期刊

机构

引用论文