La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

A KPI Anomaly Detection Method Based on Fast Clustering Une méthode de détection d'anomalies KPI basée sur un clustering rapide

Yun WU, Yu SHI, Jieming YANG, Lishan BAO, Chunzhe LI

  • Vues en texte intégral

    0

  • Citer

Résumé:

Dans les scénarios d'intelligence artificielle pour les opérations informatiques, les KPI (Key Performance Indicator) sont un indicateur très important de surveillance des opérations et de la maintenance, et la recherche sur la détection des anomalies KPI est également devenue un point chaud ces dernières années. Visant les problèmes de faible efficacité de détection et d'apprentissage de représentation insuffisant des méthodes existantes, cet article propose une méthode de détection d'anomalies KPI rapide basée sur le clustering, HCE-DWL. Cet article adopte d'abord la combinaison du clustering agglomératif hiérarchique (HAC) et de l'affectation approfondie basée sur CNN-Embedding (CE) pour effectuer une analyse de cluster (c'est-à-dire HCE) sur les données KPI, afin d'améliorer l'efficacité du clustering des données KPI, puis séparément, le centroïde de chaque cluster KPI et ses scores aberrants transformés (TOS) reçoivent des poids, et enfin ils sont placés dans le modèle LightGBM pour détection (le modèle Double Weight LightGBM, appelé DWL). Grâce à une analyse expérimentale comparative, il est prouvé que l'algorithme peut améliorer efficacement l'efficacité et la précision de la détection des anomalies KPI.

Publication
IEICE TRANSACTIONS on Communications Vol.E105-B No.11 pp.1309-1317
Date de publication
2022/11/01
Publicisé
2022/05/27
ISSN en ligne
1745-1345
DOI
10.1587/transcom.2021TMP0002
Type de manuscrit
Special Section PAPER (Special Section on Towards Management for Future Communications and Services in Conjunction with Main Topics of APNOMS2021)
Catégories

Auteurs

Yun WU
  Northeast Electric Power University
Yu SHI
  Northeast Electric Power University
Jieming YANG
  Northeast Electric Power University
Lishan BAO
  Industry Group Co. Ltd.
Chunzhe LI
  State Grid Jilin Electric Power Co. Ltd.

Mots-clés

Table des matières