标签存档: 异常检测

用于在高性能计算应用中检测异常调用堆栈树的可视分析框架 (A Visual Analytics Framework for the Detection of Anomalous Call Stack Trees in High Performance Computing Applications)

图9 分析案例。

在高性能计算(HPC)应用中,诸如延迟之类的异常行为会对运行程序产生很大的负面影响。 因此,检测HPC集群中的异常执行是非常重要的。这些异常执行通常是从跟踪事件(trace event)中识别的,也是HPC节点中函数入口、出口和消息传递的序列。下图1(b)显示了HPC节点中计算函数的一次执行(图1(a))内的跟踪事件的示例。它表示在执行compute函数期间调用堆栈的历史(使用绿色等颜色表示的函数即其调用的子函数)。目前,领域科学家一般基于函数随时间变化的执行时长等信息来检测异常执行。但是,这种方法并不能完全识别和诊断真正的异常。例如,图1中compute函数的延迟可能是由其子函数引起的,而这种延迟可能是由与之通信的其他HPC结点造成的。因此,在没有上下文函数执行结构的情况下对异常函数进行检测是不够的。

继续阅读 »

现场决策中异构数据异常检测的沉浸式可视化(Immersive Visualization for Abnormal Detection in Heterogeneous Data for On-site Decision Making)

随着混合现实的发展,HoloLens等头显设备为我们提供的在现实世界中探索数据的能力对可视化交互和分析越发重要。对于安全可视化,混合现实可以产生桌面可视化难以实现的效果,能够满足无需上下文转换的数据探索和物理操作,并支持多人协同探索,在许多安全领域应用中有实际意义,涉及范围涵盖从基础设施安全和应急响应到对可疑行为的日常监控。研究如何利用MR在真实物理环境中有效地可视化抽象数据并利用声音和姿势与之交互具有创新的意义。本文[1]使用VAST Challenge 2016的数据集,以复杂的多维时序传感器数据中隐含的安全事件作为研究对象,提出了异常检测的方法,设计了一套沉浸式可视分析系统,能够将二维图表信息和三维平面图信息紧密结合,并提供了语音、凝视和手势等交互。

继续阅读 »

传感器网络中时序数据相似性探索与异常检测的可视分析 (Visual Analysis of Time-Series Similarities for Anomaly Detection in Sensor Networks)

智能电网(Smart Grid)连接城市的不同部位,将发电厂产生的电能输送到千家万户,对城市的正常运转至关重要。用户用电量的变化,以及偶尔发生的电网故障,都会导致电网上各处的负载发生变化。电网不同位置有不同的负载变化模式,会出现不同的异常状况。电网管理人员需要密切监视这些模式和异常。然而,对电网负载的分析较为复杂。首先,这种分析需要同时考虑多个角度,包括:电网上传感器的空间分布、拓扑关系以及每一个传感器上的负载变化,而通常的分析工具往往只考虑时变特征或者拓扑特性。此外,电网上的异常行为通常难以预知,因此没有特别好的自动方法可以检测所有异常,而异常检测很大程度上以来于专业人员的判断。在EuroVis 2014中,来自德国的研究者们设计了一个可视分析系统 [1],可以同时研究电网中的相似性和异常事件。

继续阅读 »