ASTD Patterns for Integrated Continuous Anomaly Detection In Data Logs

要約

このペーパーでは、データ ログにおけるアンサンブル異常検出のための ASTD 言語の使用について調査します。
データ ストリームでの継続学習にスライディング ウィンドウ技術を使用し、各ウィンドウの完了時に学習モデルを更新して正確な検出を維持し、現在のデータ傾向に合わせます。
特にデータ ストリームに一般的に使用される教師なし学習のコンテキストにおいて、学習モデルを組み合わせるための ASTD パターンを提案します。
これを促進するために、新しい ASTD オペレーターである Quantified Flow が提案されています。これにより、仕様を簡潔に保ちながら、学習モデルのシームレスな組み合わせが可能になります。
私たちの貢献は仕様パターンであり、異常検出システムを抽象化してモジュール化する ASTD の能力を強調しています。
ASTD 言語は、言語演算子のグラフィカル表現によるプロセスの組み合わせに基づいた、データ フロー異常検出システムを開発するための独自のアプローチを提供します。
これにより、開発者は設計タスクを簡素化し、主にシステムを構成する機能操作の定義に集中できます。

要約(オリジナル)

This paper investigates the use of the ASTD language for ensemble anomaly detection in data logs. It uses a sliding window technique for continuous learning in data streams, coupled with updating learning models upon the completion of each window to maintain accurate detection and align with current data trends. It proposes ASTD patterns for combining learning models, especially in the context of unsupervised learning, which is commonly used for data streams. To facilitate this, a new ASTD operator is proposed, the Quantified Flow, which enables the seamless combination of learning models while ensuring that the specification remains concise. Our contribution is a specification pattern, highlighting the capacity of ASTDs to abstract and modularize anomaly detection systems. The ASTD language provides a unique approach to develop data flow anomaly detection systems, grounded in the combination of processes through the graphical representation of the language operators. This simplifies the design task for developers, who can focus primarily on defining the functional operations that constitute the system.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google