A Methodological Report on Anomaly Detection on Dynamic Knowledge Graphs

要約

このペーパーでは、特に Kubernetes アプリケーションのマイクロサービス環境における、動的ナレッジ グラフでの異常検出に対するさまざまなアプローチを検討します。
私たちのアプローチでは、シーケンシャル データ、1 ホップ グラフ構造、2 ホップ グラフ構造という 3 つの動的なナレッジ グラフ表現を調査します。各表現には、ますます複雑になる構造情報が組み込まれています。
各フェーズには、さまざまな機械学習モデルと深層学習モデルが含まれています。
私たちはそれらのパフォーマンスを経験的に分析し、これらのモデルのアンサンブル学習に基づくアプローチを提案します。
私たちのアプローチは、ISWC 2024 動的ナレッジ グラフ異常検出データセットのベースラインを大幅に上回り、動的で複雑なデータの異常検出のための堅牢なソリューションを提供します。

要約(オリジナル)

In this paper, we explore different approaches to anomaly detection on dynamic knowledge graphs, specifically in a microservices environment for Kubernetes applications. Our approach explores three dynamic knowledge graph representations: sequential data, one-hop graph structure, and two-hop graph structure, with each representation incorporating increasingly complex structural information. Each phase includes different machine learning and deep learning models. We empirically analyse their performance and propose an approach based on ensemble learning of these models. Our approach significantly outperforms the baseline on the ISWC 2024 Dynamic Knowledge Graph Anomaly Detection dataset, providing a robust solution for anomaly detection in dynamic complex data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google