## Memo ## Abstract サービス品質と信頼性を確保するためには、KPI（Key Performance Indicator）の異常検知（AD）が重要である。KPIは、勤務日、休日、祭事、ビジネス活動などの影響により、日ごとに異なるパターンを示すことがあり、これをKPIの周期性プロファイルと呼んでいます。しかし、既存のKPI ADアプローチでは、汎用性に乏しいため、多様な周期性プロファイルに対応することが困難である。本論文では、Periodと呼ばれる自動的かつ汎用的なフレームワークを提案し、日次の部分配列クラスタリングにより周期性プロファイルを正確に検出し、異なる周期性プロファイルに頑健かつ自動的に適応することでAD手法の性能を向上させることが可能である。大規模なインターネットベースのサービスから、異なる周期性プロファイルを持ついくつかの実世界のKPIを用いた評価では、周期性を検出するために使用されるクラスタリングアルゴリズムは、平均で約0.95の精度を達成することができます。さらに重要なことは、56のKPIに関する更なる評価で、Periodは、広く使われているいくつかのADアプローチの最高のFスコアを、最大0.66まで大幅に改善できることを示している。 ## 1. Introduction