论文标题丨 Unsupervised Anomaly Detection via Variational Auto-Encoder for Seasonal KPIs in Web Applications
论文来源丨 WWW 2018
论文链接丨 https://arxiv.org/abs/1802.03903
源码链接丨 https://github.com/NetManAIOps/donut

论文翻译可以参考：https://smileyan.cn/#/ad/donut

TL;DR

为了保证业务不受干扰，大型互联网公司需要密切监控其 Web 应用程序的各种 KPI（如页面访问量、在线用户数量、订单数量），以准确检测异常并及时触发故障排除/缓解。然而，对于具有各种模式和数据质量的季节性 KPI 的异常检测是一个巨大的挑战，特别是在没有标签的情况下。本文提出了一种基于 VAE 的无监督异常检测算法 Donut 。多亏了我们的一些关键技术，Donut 的表现大大超过了先进的监督集成方法和标准 VAE 方法，在一家全球顶级互联网公司所研究的 KPI 指标中，它的 best F-Score 在 0.75 到 0.9 之间。提出了一种新的基于 KDE 的 Donut 重构解译算法，使其成为第一个具有坚实理论解释的基于 VAE 的异常检测算法。