[論文レビュー] A Survey of Time Series Anomaly Detection Methods in the AIOps Domain

Zhenyu Zhong, Qiliang Fan+7 more|arXiv (Cornell University)|Aug 1, 2023

Anomaly Detection Techniques and Applications被引用数 10

ひとこと要約

AIOps領域における単変量および多変量時系列データの異常検知手法の総合調査であり、分類法、データセット、評価指標、そして今後の方向性を含む。

ABSTRACT

Internet-based services have seen remarkable success, generating vast amounts of monitored key performance indicators (KPIs) as univariate or multivariate time series. Monitoring and analyzing these time series are crucial for researchers, service operators, and on-call engineers to detect outliers or anomalies indicating service failures or significant events. Numerous advanced anomaly detection methods have emerged to address availability and performance issues. This review offers a comprehensive overview of time series anomaly detection in Artificial Intelligence for IT operations (AIOps), which uses AI capabilities to automate and optimize operational workflows. Additionally, it explores future directions for real-world and next-generation time-series anomaly detection based on recent advancements.

研究の動機と目的

• AIOpsドメインにおける時系列異常検知手法の特性とカテゴリを要約する。
• AIOpsにおけるUTSおよびMTSデータに合わせた異常検知技法の分類法を提案する。
• AIOpsの異常検知に用いられるデータセット、ベンチマーク、評価指標を調査する。
• データ規模、ノイズ、ラベリング作業、データの不均衡、概念ドリフトなど、AIOpsにおける課題を強調する。
• AIOpsにおける実務展開と次世代手法の今後の方向性を提案する。

提案手法

• データベース選択、調査検索、文献検索を網羅するアドホックな文献調査手法を採用する。
• 既存の異常検知手法の特徴を抽出して分類法を構築する。
• UTS手法を古典的、監視下、半監視下、非監視のカテゴリに分類する。
• AIOpsにおけるデータソース、入力データタイプ、異常タイプ、問題設定、主要な課題をレビューする。
• データセット、ソフトウェア、評価指標の議論を提供し、利用可能な場合にはリンクを付ける。

実験結果

リサーチクエスチョン

• RQ1 RQ1: 各異常検知手法を定義する重要な特徴は何であり、どのように分類できるか？
• RQ2 RQ2: 既存の手法はAIOpsの時系列異常検知の課題にどのように対処し、どのような貢献をしているか？
• RQ3 RQ3: AIOpsの時系列異常検知に利用可能なオープンソースデータセットと評価指標は何か、また公開されているソフトウェアパッケージはあるか？

主な発見

• AIOpsドメインの時系列の異常検知手法の組織的な分類法を提供する。
• システム関連、ユーザー視点、サービス性能などのデータソースと、入力タイプ（UTSおよびMTS）を手法設計の中心として特定する。
• 高次元性、ノイズ、ラベリングの手間、データの不均衡、頻繁な変化によるパターンドリフトといった主要な課題を概説する。
• 再現性を支援するための公開データセット、ベンチマーク、ソフトウェアリンクを要約する。
• AIOpsにおける異常検知手法の評価指標の一般的な使用について論じる。
• 実世界での展開と次世代のアプローチに向けた今後の研究方向性を提案する。