スパース構造学習によるサーバの異常検知

• Item type: SIG Technical Reports(1)
• 公開日: 2017-05-18
• タイトル: スパース構造学習によるサーバの異常検知
• タイトル / 言語: en
• タイトル: Server Anomaly Detection by Sparse Structure Learning
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: 運用
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 大阪大学大学院情報科学研究科
• 著者所属: 大阪大学大学院情報科学研究科
• 著者所属: 大阪大学大学院情報科学研究科
• 著者所属: 大阪大学大学院情報科学研究科
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Science and Technology, Osaka University
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Science and Technology, Osaka University
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Science and Technology, Osaka University
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Science and Technology, Osaka University
• 著者名: 小泉, 成司; 鮫島, 正樹; 菅野, 裕介; 松下, 康之
• 著者名(英): Seiji, Koizumi; Masaki, Samejima; Yusuke, Sugano; Yasuyuki, Matsushita
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 本稿では，データセンタにおけるサーバのリソース使用量を自動で収集し，サーバの異常を検知することを目的とする．従来の異常検知手法として主成分分析や確率的主成分分析を用いた手法が提案されているが，データセンタにおけるサーバのリソース使用量には相関がみられることから，相関を利用することで異常検知の精度を改善する方法を提案する．提案手法では，リソース使用量の相関を条件付分布で表現し，観測済みのリソース使用量を用いて学習する．弱い相関を学習することによって異常が未検出となる悪影響を防止するため，条件付分布の学習にはスパース構造学習を用いる．評価実験では，リソース使用量として CPU 使用率とパケット量を対象とし，疑似的に発生させた異常を検知した．スパース構造学習を用いない従来手法と比較し，スパース構造学習を用いた提案手法によって，異常検知の精度が改善していることを確認した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: This paper addresses automatic anomaly detection on servers in a data center based on resource usages. On top of conventional methods based on Principal Component Analysis (PCA) or Probabilistic Principal Component Analysis (PPCA), we exploit correlation between resource usages of servers for improving the anomaly detection. The correlation between resource usages is modelled as a conditional probability distribution, and parameters of the distribution are learnt with observed resource usages. We use sparse structure learning to disregard weak correlation that leaves anomalies undetected. In the evaluation experiment, we apply the proposed method to CPU usage and packet amount data that include simulated anomalies. The proposed method based on sparse structure learning can detect anomalies more accurately than the conventional methods.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA11235941
• 書誌情報: 研究報告コンピュータセキュリティ（CSEC）; 巻 2017-CSEC-77, 号 11, p. 1-8, 発行日 2017-05-18
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8655
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会