用于多维问题报告的自适应异常检测

《ACM Transactions on Software Engineering and Methodology》：Adaptive Anomaly Detection for Multi-Dimensional Issue Reports

　　

摘要AI摘要

要查看此AI生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

现代云原生架构需要自动化的事件识别系统来识别多维问题报告数据中稀疏但关键的属性组合。因此，需要自动化事件检测系统来快速准确地检测异常。传统的基于搜索的方法受到属性组合爆炸和严格实时检测要求的限制，导致在大规模云原生系统中异常识别的效率低下和可扩展性差。为了解决这些挑战，我们提出了一个适用于多维问题报告的自适应异常检测（AADMIR）框架，该框架结合了动态操作调度和基于评分的邻域扩展。与传统元启发式方法不同，AADMIR引入了三种专为高维问题分析设计的核心机制：（1）自适应操作选择：一种基于回归的动态调整策略，根据实时探索进度自动选择最佳搜索操作，克服了传统方法中的“静态策略陷阱”。（2）邻域扩展：一种分层的两阶邻域扩展机制，通过引入二阶邻域来克服传统一阶搜索的局限性。这种动态拓扑在保持效率的同时扩展了搜索范围，通过概率采样有效平衡了全局探索和局部利用，以减少陷入局部最优解的情况。（3）回归驱动的自适应判断：我们提出了一种轻量级的基于阈值的评估指标，将数学变化点检测与信息熵相结合来量化元组的优势。通过定义能量指标并使用标准化变化阈值，它可以稳健地区分真实异常和正常波动，避免纯基于熵的方法中固有的误报，并以最小的计算开销快速做出贪婪步骤决策。在合成数据和真实世界数据集上的实验表明，与最先进的方法相比，AADMIR在精确度、召回率和F1分数方面表现更优，特别是在高维场景中。

AI摘要

AI生成的摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要，后者仍然是论文的官方摘要。完整文章是权威版本。点击此处了解更多关于ACM AI摘要的信息。

点击此处对摘要的准确性、清晰度和实用性进行评论。这将有助于改进和未来重新生成的版本。

要查看此AI生成的通俗语言摘要，您必须具有高级访问权限。