## Memo - [[NetManAIOps]]からのジャーナル論文。 - ![[Pasted image 20250415005001.png]] ## Memo with LLM ## Abstract 大規模ネットワーク機器の普及に伴い、CPU使用率、平均応答時間、ネットワークパケット損失などの多変量時系列(MTS)の異常検知は、システムの信頼性のために重要である。この目的のために、多くの学習ベースのアプローチが設計されているが、我々の研究は、これらのアプローチが、十分な学習データに対する長い初期化時間に悩まされていることを示している。我々が以前に提案した[[2021__ATC__Jump-Starting Multivariate Time Series Anomaly Detection for Online Service Systems|JumpStarter]]モデルは、短い初期化時間と称賛に値する検出性能を特徴とするMTS異常検出手法として注目されています。しかし、計算コストが高く、周期的な MTS には不適切であるという問題がある。本論文では、多様なタイプの MTS に対し、動的モード分解技術を導入し、迅速な初期化と計算効率の高い方法で MTS 異常検知を行う VersaGuardian を提案する。3社から収集した実世界のMTSデータセットを用いた結果、VersaGuardianは平均F1スコア94.42%を達成し、一般的な異常検知アルゴリズムを大幅に凌駕し、初期化時間は20分、検知時間は15.28ミリ秒と大幅に短縮された。