## Memo ## Abstract データセンター内のシステムやサービスの安定稼働を保証するために、O&Mエンジニアはシステムやサービスの稼働中に生成されるKPI（Key Performance Indicator）を収集し、監視する必要があります。閾値とルールに基づく従来のパフォーマンス異常検出手法は、単純なKPI監視に適しています。しかし残念ながら、時間帯によってKPI値に大きな差がある場合や、使用パターンの違いによってKPI値に大きな変動がある場合、適切な閾値レベルを見つけることは難しく、高度に動的なシステムやビジネスでは次第に適切ではなくなってしまいます。人工知能アルゴリズムの普及に伴い、機械学習やディープラーニングの手法も運用や保守のシナリオに適用され始めている。これは、IT運用のための人工知能（[[AIOps]]）の出現であり、中でもKPI異常検知はAIOpsの研究ホットスポットである。KPI異常検知とは、KPI時系列データを様々な異常検知手法で効果的にデータマイニング・分析することで、異常を迅速に発見し、障害を回避することを指す。そこで我々は、[[GAN]]に基づくKPI異常検知のハイブリッドモデルを提案する。これはGenerative adversarial network (GAN)とEncoder (Encoder)に基づく教師なし学習手法であり、KPIの異常データを識別することができる。健康データでGANモデルを訓練し、エンコーダを通してGANモデルのポテンシャル空間への新しいデータの迅速なマッピングを完了し、識別器の特徴残差とデータ再構成誤差を異常スコアに結合することで異常を検出する。実験結果から、従来のKPI異常検知手法や一般的な教師なし手法と比較して、提案手法はKPIの変動するデータ特性をより正確に捉え、KPI異常検知タスクにおいてより良いパフォーマンスを達成できることが示される。