APP下载

基于深度学习的无监督KPI异常检测

2020-12-02张圣林林潇霏孙永谦张玉志裴丹

数据与计算发展前沿 2020年3期
关键词:监督检测方法

张圣林,林潇霏,孙永谦*,张玉志,裴丹

1. 南开大学,软件学院,天津 300350

2. 清华大学,计算机科学与技术系,北京 100084

引 言

随着互联网的高速发展与普及,基于互联网的应用服务已经深入到人类社会生产生活的各个方面,包括通信、资讯、娱乐、学习、本地生活、金融、购物、出行、医疗、教育等。智能运维是保证互联网服务的用户体验、性能、稳定和安全的重要技术体系。其中,关键性能指标(Key Performance Indicator, KPI)异常检测是互联网智能运维的一个核心技术。大部分智能运维的关键技术,包括故障根因分析、异常定位、变更评估、异常事件关联关系挖掘、异常报警聚合、快速止损、故障预测、热点预测等,高度依赖 KPI 异常检测的结果。

目前,学术界已经提出一系列KPI 异常检测方法。这些方法包括基于统计概率的方法、基于有监督机器学习的方法、基于无监督机器学习的方法。由于基于统计概率的KPI 异常检测方法需要为每一个KPI 序列调整最优参数,耗费大量人力资源,因此逐渐退出历史舞台。基于有监督机器学习的KPI异常检测方法需要大量的异常标注来训练模型,同样耗费大量人力资源,因此难以应用于大规模互联网服务场景。基于无监督机器学习的KPI 异常检测算法,既不需要逐个KPI 序列调参,也不需要标注异常数据,已经成为KPI 异常检测的未来发展趋势。此外,由于深度生成模型能够准确捕获复杂的KPI数据特征,因此近年来受到学术界和工业界的广泛关注。

本文重点介绍三种基于深度生成模型的无监督KPI 异常检测算法——Donut,Bagel,Buzz,并在理论和实验两个方面分析它们的性能。……

登录APP查看全文

猜你喜欢

监督检测方法
突出“四个注重” 预算监督显实效
监督见成效 旧貌换新颜
夯实监督之基
小波变换在PCB缺陷检测中的应用
用对方法才能瘦
四大方法 教你不再“坐以待病”!
捕鱼
监督宜“补”不宜“比”