## Memo - Google Alertより - [[ARISE Lab]]の論文 - [[マルチモーダル学習]]を採用 - データセットが公開されている [Main](https://anonymous.4open.science/r/HADES-820/README.md) - 貢献 ## Abstract ソフトウェアシステムの信頼性を確保するためには、システムの異常を迅速かつ正確に検出することが不可欠である。既存のアプローチは、利用可能なすべてのランタイム情報を活用する手作業とは異なり、通常、単一のタイプの監視データ（多くの場合、ログやメトリクス）のみを活用するか、複数のソースデータ間の共同情報を有効に活用することに失敗しています。その結果、多くの誤判定が発生しています。システムの異常の兆候をより良く理解するために、我々は大量の異種データ、すなわちログとメトリクスに基づく包括的な実証研究を実施しました。我々の研究は、システムの異常が異なる種類のデータで明確に現れることを実証している。したがって、異種データの統合は、システムの健康状態の全体像を回復するのに役立つ。このような背景から、我々は、異種データに基づくシステムの異常を効果的に特定する最初の研究であるHADESを提案します。我々のアプローチは、ログのセマンティックとメトリックパターンを融合することにより、システム状態のグローバルな表現を学習する階層的なアーキテクチャを採用している。また、新しいクロスモーダルアテンションモジュールにより、マルチモーダルデータから識別可能な特徴と意味のある相互作用を取得し、正確なシステム異常の検出を可能にする。我々は、HADESを大規模なシミュレーションデータと産業用データセットで広範囲に評価しました。その結果、HADESが異種データのシステム異常を検出する上で優れていることが示された。再現性と将来の研究のために、コードと注釈付きデータセットを公開する。 [[2022__arXiv__Heterogeneous Anomaly Detection for Software Systems via Attentive Multi-modal Learning__translations]]