Контрольные параметры моделей глубокого обучения для обнаружения аномалий в реальной телеметрии облаков в мире

arXiv: 2610.15818v1 Annualce Type: New Humber Abstract: Современные облачные платформы генерируют высокомерную, шумную телеметрию из тысяч микросервисов. В отличие от классических показателей обнаружения аномалий, облачные аномалы являются кратковременными, нерегулярными и в основном непериодическими, что затрудняет своевременное обнаружение. Мы представляем эмпирический критерий моделей глубокого изучения для обнаружения аномалий с использованием реального набора данных IBM Cloud Console. Мы оцениваем GRU, Transformer, TimesNet и Autoformer архитектуры с использованием контрольного параметра Numenta Anomaly (NAB) — метрики времени, которая учитывает раннее обнаружение и ложную тревогу. TimesNet достигает самых высоких показателей NAB благодаря высокой чувствительности раннего обнаружения. Трансформированные модели также обнаруживают аномалии на ранней стадии, но имеют более высокие показатели ложной позитивной реакции. Усовершенствованный автоэнкодер GRU, включающий надежные правила баллов и упорства, обеспечивает конкурентоспособность с более стабильным фальшивым профилем. В целом скромные различия в показателях работы свидетельствуют о том, что реальные c