Manod: Un marco multimodal de detección de anomalías para sistemas distribuidos

Área de la Ciencia:

• Ciencias de la computación
• Ingeniería de software
• Ingeniería de sistemas

Sus antecedentes:

• La infraestructura distribuida es crucial para las aplicaciones escalables, que exigen una detección de anomalías robusta para la estabilidad del sistema.
• Los métodos actuales de detección de anomalías a menudo utilizan fuentes de datos únicas (métricas o registros), lo que lleva a inexactitudes y falsos positivos.
• La integración de datos multimodales (métricas y registros) ofrece una visión más completa del sistema para mejorar la detección de fallos.

Objetivo del estudio:

• Proponer Manod, un nuevo método de detección de fallas semisupervisado para monitorear el estado del sistema distribuido.
• Aprovechar los datos multimodales (métricas y registros) para una identificación de anomalías más precisa y fiable.
• Mejorar la precisión y reducir los falsos positivos/negativos en la detección de anomalías del sistema.

Principales métodos:

• Utiliza un enfoque de codificación jerárquica basado en gráficos para generar representaciones discriminatorias.
• Utiliza modelos de lenguaje pre-entrenados para procesar y modelar tanto las métricas del sistema como los registros.
• Introduce un mecanismo de fusión de atención cerrada para la integración efectiva de modalidades de datos heterogéneos.

Principales resultados:

• Manod logró altas puntuaciones F1 de 0.870 en un conjunto de datos de simulación (D1) y 0.934 en un conjunto de datos del mundo real (D2).
• El método propuesto superó significativamente a todos los modelos de referencia en las tareas de detección de fallas.
• Eficacia demostrada en la mitigación de falsos positivos y falsos negativos en la detección de anomalías.

Conclusiones:

• Manod proporciona un enfoque semisupervisado eficaz para la detección de fallas en sistemas distribuidos que utilizan datos multimodales.
• La integración de métricas y registros a través de técnicas avanzadas de fusión mejora las capacidades de monitoreo de la salud del sistema.
• El método muestra un gran potencial para garantizar el funcionamiento estable y fiable de los sistemas de software a gran escala.