.png){kind=icon}
返回
Efficient Multivariate Time Series Anomaly Detection through Transfer Learning for Large-Scale Software Systems
.png){kind=icon}
OA
AI
DOI：10.1145/3702984.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多变量时间序列（MTS）的及时异常检测对于管理大规模软件系统至关重要。然而，许多基于深度学习的MTS异常检测模型需要长期MTS训练数据才能实现最佳性能，这通常与软件系统中观察到的频繁模式变化相冲突。此外，大规模软件系统中海量MTS的训练开销高得令人无法接受。为了解决这些问题，我们设计了OmniTransfer，一个模型无关的框架，它结合了加权层次凝聚聚类与自适应迁移学习策略，使许多当前最佳（SOTA）MTS异常检测模型变得高效且有效。使用来自大型网页内容服务提供商和网络运营商的真实世界数据的广泛实验表明，OmniTransfer显著将模型初始化时间减少了46.49%，将训练成本降低了74.51%，同时保持了高精度的异常检测能力。
Keyword:
Transfer Learning
Multivariate Time Series
Multivariate Time Series Clustering
Anomaly Detection
期刊
A
IF:
6.2
论文数:
1.2K
被引数:
3.4K
机构
引用论文
.png){kind=icon}
Efficient KPI Anomaly Detection Through Transfer Learning for Large-Scale Web Services基于迁移学习的大规模Web服务高效KPI异常检测
PREAI
分享收藏Share or Not Share? Towards the Practicability of Deep Models for Unsupervised Anomaly Detection in Modern Online Systems共享或不共享？现代在线系统中无监督异常检测深度模型的实用性研究
PREAI
分享收藏Convolutional Neural Networks for Medical Image Analysis: Full Training or Fine Tuning?用于医学图像分析的卷积神经网络: 完全训练还是微调？
OAAI
OAAI分享收藏
查看更多内容