Detección de anomalías en series de tiempo para servicios confiables en sistemas de computación en la nube

Como una poderosa arquitectura para computación a gran escala, la computación en la nube ha revolucionado la forma en que se abstrae y utiliza la infraestructura de computación. Junto con los desafíos causados por Big Data, el desarrollo vertiginoso de la computación en la nube aumenta la complejidad de la gestión y el mantenimiento del sistema, resultando en una disminución de la confiabilidad de los servicios en la nube. Para hacer frente a este problema, se investiga en este documento un método convincente, es decir, Descripción de Datos de Soporte Vectorial (SVDD), para detectar métricas de rendimiento anómalas de los servicios en la nube. Aunque es competente en la detección de anomalías en general, SVDD sufre de una tasa de falsos positivos insatisfactoria y complejidad computacional en la detección de anomalías en series de tiempo, lo que obstaculiza considerablemente sus aplicaciones prácticas. Por lo tanto, este documento propone una forma relajada de programación lineal SVDD (RLPSVDD) y presenta importantes ideas sobre la selección de parámetros para la detección práctica de anomalías en series de tiempo con el fin de monitorear las operaciones de los servicios en la nube. Experimentos en el conjunto de datos Iris y los conjuntos de datos de referencia de Yahoo validan la efectividad de nuestros enfoques. Además, la comparación de RLPSVDD y los métodos obtenidos de Twitter, Numenta, Etsy y Yahoo muestra la preferencia general por RLPSVDD en la detección de anomalías en series de tiempo.