## Memo ## Abstract Webサービスが正確に実行されているかどうかを判断するために、IT運用エンジニアは複数のKPI（Key Performance Indications）を手動で監視する必要があります。KPIの異常検知は、ビジネスに支障をきたさないようにするために非常に重要です。しかし、多変量のKPIを分析し、KPIの例外を検出することは、IT運用エンジニアにとって負担の大きい作業です。サービスのKPIは、複数の時系列であるため、時間依存性とメトリック間依存性という2種類の依存性を持っています。既存の予測ベースのモデルは通常、時間的依存性に焦点を当て、異なるKPI次元間の計量間依存性を無視しており、これは多変量KPIの異常検出における低い精度につながる。そこで、我々は、KPI異常検知において、時間的依存性とメトリック間依存性の両方を考慮するGGIAnomalyと名付けられたモデルを提案する。GGIAmomalyは4つの部分から構成される。GGIAmomalyは、KPI前処理、メトリクス間依存性処理、時間依存性処理、異常検出の4つの部分から構成される。特に、GGIAnomalyでは、異なるKPIシーケンス間の関係を捉えるために、GAT（Graph Attention Network）が使用されています。時間依存性の様々なパターンをより良くモデル化するために、GGIAnomalyはInformerと名付けられた最近の[[Attention機構]]をGRU (Gated Recurrent Unit Network)と統合しています。オープンソースデータセットでの実験により、GGIAnomalyは既存の手法と比較して、一変量および多変量のKPI異常検出において優れたパフォーマンスを発揮することが示された。 ## 1. Introduction