相关:
2018 Robust and Unsupervised KPI Anomaly Detection Based on Conditional Variational Autoencoder
下载地址
本文结构:
有粉丝提出建议可以简单翻译一下论文以供大家参考,但是担心篇幅过长,所以把翻译部分挪到了个人博客。 smileyan.cn
这里只摘录一部分内容,具体内容请参考 smileyan.cn
为了确保基于网络的服务不间断,运营商需要密切监控各种 KPI ( KPI ,如CPU使用情况、网络吞吐量、页面浏览量、在线用户数量等),检测其中的异常,并及时触发故障排除或缓解。可能有数十万甚至数百万个 KPI 需要监控,因此运营商需要自动异常检测方法。然而,当面对大量的 KPI 时,无论是传统的统计方法还是监督集成方法都不能满足这一要求。一种最先进的无监督方法提供了有希望的结果,但它不是一个顺序模型,因此不能处理与时间信息相关的异常。因此,本文提出了Bagel算法,这是一种鲁棒的、无监督的 KPI 异常检测算法,可以处理与时间信息相关的异常,使用 CVAE 来合并时间信息和丢失层,以避免过拟合。我们使用互联网公司的真实数据进行的实验表明,与 Donut 相比,Bagel 将异常检测最佳 F1-score 提高了0.08到0.43。
为了确保不间断的网络服务,运营商需要密切监控各种 KPI ( KPI ,如CPU使用情况、网络吞吐量、页面浏览量、在线用户数量等),检测其中的异常情况,并及时触发故障排除或缓解。图1显示了我们在本文中研究的几个 KPI 。可能有数十万甚至数百万个 KPI 需要监控[1],[2],因此操作员需要自动异常检测方法。
尽管过去提出了许多异常检测方法[3]–[12],但根据[11],大多数方法在实践中效果不佳。表一 显示了一份比较摘要,将在下文第六章详细阐述。对于传统的统计算法[3]–[7],操作员必须手动选择异常检测算法,并为每个 KPI 调整其参数。基于监督学习的方法[8],[9]需要手动标记每个 KPI 的异常。因此,无论是传统的统计方法还是基于监督学习的方法都不是自动的,当面对大量的 KPI 时,它们在实践中不能很好地工作。
最近,使用深度生成模型的无监督方法显示了一些非常有希望的结果。基于 VAE这种最新技术 Donut [11] ,显著优于最先进的监督集成方法 Opprentice(对周期性KPI是经典算法中最优的, 比如图1中的 A \mathcal{A} A, B \mathcal{B} B, C \mathcal{C} C )。周期性 KPI 在实践中是非常普遍的,并且与业务相关(如在线用户数量、查询数量),因此,对周期性 KPI 的异常检测非常重要。
然后,Donut 在处理关于时间信息相关的异常时的健壮性是不够的。这是因为 VAE 不是序列模型而 Donut 通过使用滑动窗口的方式处理 KPI 数据来训练 VAE 但是却忽略了窗口与窗口之间的相关性等。Donut 忽略了 每个 KPI 窗口的时间信息,而 Donut 使用的 基于 SGD 的优化算法将训练数据进行了打乱。例如,图1 G \mathcal{G} G 中相对较长的缺失数据片段导致缺失数据片段之后的数据点的假阳性(false positives )(在图中最右边的蓝色虚线框中突出显示),而我们可以想象如果我们以某种方式将定时信息结合到模型中(那些蓝色框中的模式在不同的日子非常相似),这些假阴性(false negatives) 是可以避免的。类似地,图1 中 H \mathcal{H} H 的每日凹处值处周期性(因此是正常的) 尖峰将被 Donut 错误地分类为异常,然而,结合时间信息将会起起作用。
由于 Donut 是最先进的异常检测算法,更重要的是有坚实的理论基础,在本文中,我们旨在通过提高 Donut 对时间信息相关异常(如图1中的 G , H \mathcal{G},\ \ \mathcal{H} G, H)的鲁棒性,将 Donut 推向实际部署的重要一步。请注意,在本文中,我们也关注周期性 KPI 中的异常检测,就像 Donut [11] 中一样。
我们提出了 Bagel 算法,一种鲁棒的、无监督的 KPI 异常检测算法。为了包含时间信息,Bagel 是基于条件变化自动编码器(CVAE),而不是 Donut 中的 VAE,并使用时间信息作为输入条件。然而,将时间信息结合到 CVAE 中是一项巨大挑战。由于拟合时间和 KPI value 之间的关系比拟合输入滑动窗口和重构的正态模式之间的关系要容易得多(类似于具有周期性的传统统计模型,如历史平均值),CVAE 对周期性 KPI 的时间信息进行拟合时容易出现过拟合的结果。为了避免过拟合,我们添加了额外的 dropout 层,它可以用于为许多更小的神经网络构建一个全局模型。
本文的贡献可归纳如下:
论文的其余部分组织如下。第4章 A 部分综述KPI 异常检测、VAE、CVAE 的背景(错误!这里应该是指第2章)。第3章展现了 Bagel 的神经网络结构以及它的训练与异常检测的设计。第4章是对Bagel 性能评估。第5章是对 Bagel 的原理分析。第6章介绍了相关工作。最后,第7章总结全文。
注: 为了避免篇幅过长,将翻译部分挪到了 smileyan.cn 。
以上内容可以对整篇论文有个简单的了解,论文也提供了相应的源码,地址为:https://github.com/NetManAIOps/Bagel
先查看一下 Bagel 的依赖环境,即查看 https://github.com/NetManAIOps/Bagel/blob/master/requirements.txt:
mltoolkit
torch==0.4
torchvision
visdom
numba
jupyterlab
numpy
scipy
matplotlib
seaborn
numba
pandas
tables
sklearn
mltoolkit
statsmodels
dill
pymongo
click
建议先安装好 pytorch 再根据这个文件安装依赖。
pip install torch==0.4.1.post2 -i https://mirrors.aliyun.com/pypi/simple/
同时需要降低一下 numpy 的版本。
pip install numpy==1.15.0 -i https://mirrors.aliyun.com/pypi/simple/
然后再 git clone 源码,并进行安装依赖。
注意1 安装依赖之前需要修改 requirements.txt
文件,因为很明显这个文件是存在问题的。两个 mltoolkit
都 需要删除。
注意2 安装依赖之前需要修改 requirements.txt
文件,因为已经安装了 torch 0.4.1.post2
所以把 requirements.txt
中的 torch
那行也删除。或者改成 torch==0.4.1
在源码的目录下输入以下命令:
pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/
如果提示错误:
ERROR: Could not find a version that satisfies the requirement mltoolkit (from -r requirements.txt (line 1)) (from versions: none)
ERROR: No matching distribution found for mltoolkit (from -r requirements.txt (line 1))
解决方法就是把 requirements.txt
中的两行 mltoolkit
删除。
如果错误提示:
ERROR: Could not find a version that satisfies the requirement torch==0.4 (from -r requirements.txt (line 1)) (from versions: 0.1.2, 0.1.2.post1, 0.1.2.post2, 0.4.1, 0.4.1.post2, 1.0.0, 1.0.1, 1.0.1.post2, 1.1.0, 1.2.0, 1.3.0, 1.3.1, 1.4.0, 1.5.0, 1.5.1, 1.6.0, 1.7.0, 1.7.1, 1.8.0, 1.8.1, 1.9.0)
ERROR: No matching distribution found for torch==0.4 (from -r requirements.txt (line 1))
需要修改requirements.txt 中 torch的版本,改为 0.4.1
如果提示错误:
RuntimeError: PyTorch was compiled without NumPy support
那么极有可能就是 numpy
版本太高的问题,需要像上面提到的一样,降低 numpy 版本。然后再次安装torch. 参考
解决问题后再次执行,确保安装正确。
pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/
源代码中提供了一个测试用的数据集,sample_data.csv
,而且路径什么的都是对的,所以跑测试代码非常简单:
在源码目录下执行以下命令:
python main.py
输出内容如下:
测试其他数据集的时候,数据集需要具有以下三个属性:
为了方便测试其他数据集,我们对 main.py
代码进行更改,并且直接运行这些代码。(在 notebook 环境下)
from model import DonutX
import pandas as pd
import numpy as np
from kpi_series import KPISeries
from sklearn.metrics import precision_recall_curve
from evaluation_metric import range_lift_with_delay
# 需要更改这个文件的路径
df = pd.read_csv('sample_data.csv', header=0, index_col=None)
kpi = KPISeries(
value = df.value,
timestamp = df.timestamp,
label = df.label,
name = 'sample_data',
)
train_kpi, valid_kpi, test_kpi = kpi.split((0.49, 0.21, 0.3))
train_kpi, train_kpi_mean, train_kpi_std = train_kpi.normalize(return_statistic=True)
valid_kpi = valid_kpi.normalize(mean=train_kpi_mean, std=train_kpi_std)
test_kpi = test_kpi.normalize(mean=train_kpi_mean, std=train_kpi_std)
model = DonutX(cuda=False, max_epoch=50, latent_dims=8, network_size=[100, 100])
model.fit(train_kpi.label_sampling(0.), valid_kpi)
y_prob = model.predict(test_kpi.label_sampling(0.))
y_prob = range_lift_with_delay(y_prob, test_kpi.label)
precisions, recalls, thresholds = precision_recall_curve(test_kpi.label, y_prob)
f1_scores = (2 * precisions * recalls) / (precisions + recalls)
print(f'best F1-score: {
np.max(f1_scores[np.isfinite(f1_scores)])}')
有小伙伴提问,论文源码中怎么没有 delay 参数调节。
如果需要测试一下对于不同的 delay 运行效果如何,只需要更改其中一行代码:
y_prob = range_lift_with_delay(y_prob, test_kpi.label)
更改为:
y_prob = range_lift_with_delay(y_prob, test_kpi.label, delay=1)
再次运行就可以发现 f1-score 不是 可怕的 1.0 了。
如果已经成功安装并且能够正常运行,但是新建一个notebook,运行 main.py 中的代码,发现报错 ModuleNotFoundError: No module named 'model'
这个与安装范围有关,与 Donut 不同,Donut 带有 setup 来设置全局安装,而 Bagel 安装后只能在当前目录下使用。
也就是说如果新建 notebook 的话,需要在 Bagel 安装目录下新建。才能正常运行。
如果先打开了 notebook 再去安装 Bagel 环境的话,需要重启一下 notebook 才能正常使用。
上面的几个问题是小伙伴私信提到的,觉得可能其他人也会遇到这种问题,因此特意摘录一下。
更多问题欢迎评论,一起解决问题。
推荐去读一下原论文,或者可以参考这个全文翻译smileyan.cn 。
论文中反复说明:这个不是 Bagel 的成就,那个不是 Bagel 的成就。
但是这个不影响这个论文的成就,是值得一读的,但是如果读过 Donut 相关论文的话,那么理解这篇论文就简单得多了。因为很多部分只需要关注两篇论文的不同之处就可以了。
但不得不说的是,事实上,Donut 的效果并没有那么好,依然会被异常影响严重,而 Bagel 只是取得了一定的优化效果,并且它的鲁棒性是有限的。简单总结,论文在 Donut 基础上做了两件事情:1. Donut 忽略了时间戳这个重要数据中蕴含着的月,星期等信息,这里添加上了。2. 添加上以后容易出现过拟合,所以引入了 dropout 层。
如果如果需要做对比实验的话,一定要把重点放在鲁棒性方面进行对比。
事实上,关于这一系列博客的编写一直在不断地纠结中,是否应该以 翻译 为主还是以 代码 相关为主,或者以自己的 理解 为主?都加起来的话,是否会导致篇幅过大根本就没有人愿意读?
如果有好的建议或者意见,请一定留言提出,感谢!
编写不易,拒绝白piao。。。
感谢 您的 阅读、点赞、收藏 和 评论 ,别忘了 还可以 关注 一下哈,感谢 您的支持!
Smileyan
2021.3.9 20:02
2021.6.26 22:21 添加安装补充与运行参数delay添加
文章浏览阅读1.6k次。安装配置gi、安装数据库软件、dbca建库见下:http://blog.csdn.net/kadwf123/article/details/784299611、检查集群节点及状态:[root@rac2 ~]# olsnodes -srac1 Activerac2 Activerac3 Activerac4 Active[root@rac2 ~]_12c查看crs状态
文章浏览阅读1.3w次,点赞45次,收藏99次。我个人用的是anaconda3的一个python集成环境,自带jupyter notebook,但在我打开jupyter notebook界面后,却找不到对应的虚拟环境,原来是jupyter notebook只是通用于下载anaconda时自带的环境,其他环境要想使用必须手动下载一些库:1.首先进入到自己创建的虚拟环境(pytorch是虚拟环境的名字)activate pytorch2.在该环境下下载这个库conda install ipykernelconda install nb__jupyter没有pytorch环境
文章浏览阅读5.2k次,点赞19次,收藏28次。选择scoop纯属意外,也是无奈,因为电脑用户被锁了管理员权限,所有exe安装程序都无法安装,只可以用绿色软件,最后被我发现scoop,省去了到处下载XXX绿色版的烦恼,当然scoop里需要管理员权限的软件也跟我无缘了(譬如everything)。推荐添加dorado这个bucket镜像,里面很多中文软件,但是部分国外的软件下载地址在github,可能无法下载。以上两个是官方bucket的国内镜像,所有软件建议优先从这里下载。上面可以看到很多bucket以及软件数。如果官网登陆不了可以试一下以下方式。_scoop-cn
文章浏览阅读4.5k次,点赞2次,收藏3次。首先要有一个color-picker组件 <el-color-picker v-model="headcolor"></el-color-picker>在data里面data() { return {headcolor: ’ #278add ’ //这里可以选择一个默认的颜色} }然后在你想要改变颜色的地方用v-bind绑定就好了,例如:这里的:sty..._vue el-color-picker
文章浏览阅读640次。基于芯片日益增长的问题,所以内核开发者们引入了新的方法,就是在内核中只保留函数,而数据则不包含,由用户(应用程序员)自己把数据按照规定的格式编写,并放在约定的地方,为了不占用过多的内存,还要求数据以根精简的方式编写。boot启动时,传参给内核,告诉内核设备树文件和kernel的位置,内核启动时根据地址去找到设备树文件,再利用专用的编译器去反编译dtb文件,将dtb还原成数据结构,以供驱动的函数去调用。firmware是三星的一个固件的设备信息,因为找不到固件,所以内核启动不成功。_exynos 4412 刷机
文章浏览阅读2w次,点赞24次,收藏42次。Linux系统配置jdkLinux学习教程,Linux入门教程(超详细)_linux配置jdk
文章浏览阅读3.3k次,点赞5次,收藏19次。xlabel('\delta');ylabel('AUC');具体符号的对照表参照下图:_matlab微米怎么输入
文章浏览阅读119次。顺序读写指的是按照文件中数据的顺序进行读取或写入。对于文本文件,可以使用fgets、fputs、fscanf、fprintf等函数进行顺序读写。在C语言中,对文件的操作通常涉及文件的打开、读写以及关闭。文件的打开使用fopen函数,而关闭则使用fclose函数。在C语言中,可以使用fread和fwrite函数进行二进制读写。 Biaoge 于2024-03-09 23:51发布 阅读量:7 ️文章类型:【 C语言程序设计 】在C语言中,用于打开文件的函数是____,用于关闭文件的函数是____。
文章浏览阅读3.4k次,点赞2次,收藏13次。跟随鼠标移动的粒子以grid(SOP)为partical(SOP)的资源模板,调整后连接【Geo组合+point spirit(MAT)】,在连接【feedback组合】适当调整。影响粒子动态的节点【metaball(SOP)+force(SOP)】添加mouse in(CHOP)鼠标位置到metaball的坐标,实现鼠标影响。..._touchdesigner怎么让一个模型跟着鼠标移动
文章浏览阅读178次。项目运行环境配置:Jdk1.8 + Tomcat7.0 + Mysql + HBuilderX(Webstorm也行)+ Eclispe(IntelliJ IDEA,Eclispe,MyEclispe,Sts都支持)。项目技术:Springboot + mybatis + Maven +mysql5.7或8.0+html+css+js等等组成,B/S模式 + Maven管理等等。环境需要1.运行环境:最好是java jdk 1.8,我们在这个平台上运行的。其他版本理论上也可以。_基于java技术的停车场管理系统实现与设计
文章浏览阅读3.5k次。前言对于MediaPlayer播放器的源码分析内容相对来说比较多,会从Java-&amp;gt;Jni-&amp;gt;C/C++慢慢分析,后面会慢慢更新。另外,博客只作为自己学习记录的一种方式,对于其他的不过多的评论。MediaPlayerDemopublic class MainActivity extends AppCompatActivity implements SurfaceHolder.Cal..._android多媒体播放源码分析 时序图
文章浏览阅读2.4k次,点赞41次,收藏13次。java 数据结构与算法 ——快速排序法_快速排序法