【KDD2024】大数据基础工程技术集群异常检测论文入选

　　论文首次从集群整体作业执行情况分布入手■★★■，检测集群整体作业分布变慢的问题■◆◆◆■。创造性地提出了撇脂注意力机制和picky loss function解决集群整体作业分布复合周期性及训练集污染的问题◆★。并使用基于神经网络最优运输模块，定向检测集群整体作业分布变慢的问题。论文从新的视角分析集群健康状态，实现了基于神经网络的集群作业整体变慢异常定向检测，与SOTA异常检测算法相比平均提升F1 score 5.3%。

　　目前对应算法已经在阿里云云原生大数据计算服务MaxCompute集群异常监控场景中进行灰度◆◆。可以有效地帮助运维人员对集群运行健康状况进行评估■◆◆，提前发现可能的风险隐患■◆★。

　　④ 本网站不对非自身发布内容的真实性、合法性、准确性作担保★◆◆◆■。若硅谷网因为自身和转载内容，涉及到侵权、违法等问题，请有关单位或个人速与本网站取得联系（联系电话★★■◆■★：），我们将第一时间核实处理。

　　西部数据扩展闪迪移动microSDXC Nintendo Switch专用

　　（2）对每个作业进行监测，与对整体分布进行监测相比，需要花费更多计算存储资源。

　　（3）训练数据中并不能总是保证所有数据都是正常的，往往也会夹杂无标签的异常数据，这与无监督异常检测的假设相悖。

　　③ 注明来源为各大报纸★■■、杂志、网站及其他媒体的文章，文章原作者享有著作权■★，本网站转载其他媒体稿件是为传播更多的信息◆◆，并不代表赞同其观点和对其真实性负责，本网站不承担此类稿件侵权行为的连带责任。

　　ACM SIGKDD（国际数据挖掘与知识发现大会■◆■■，KDD） 会议始于 1989 年◆★◆，是数据挖掘领域历史最悠久、规模最大的国际顶级学术会议，被CCF（中国计算机学会）列为A类会议，KDD也是首个引入大数据、数据科学、预测分析、众包等概念的会议。KDD2024将于8.25-8.29, 在西班牙巴塞罗那举行◆★★。此次入选意味着阿里云提出的集群级别作业变慢异常检测框架获得了国际学者的认可，也是一次产学研结合的成功实践。

　　（1）从个体作业入手监测集群是否存在显著变慢问题■■◆◆，会受到虚拟环境不确定性对个体执行速度的干扰，对个体进行检测、形成定性结论再集合到整体的方式无法准确反映整体作业执行状况。

　　① 本网站部分投稿来源于“网友★★★◆◆★”，涉及投资、理财、消费等内容■★■■，请亲们反复甄别，切勿轻信◆■■★。本网站部分由赞助商提供的内容属于【广告】性质◆★■★◆◆，仅供阅读，不构成具体实施建议，请谨慎对待。据此操作，风险自担。

　　② 内容来源注明“硅谷网■★■”及其相关称谓的文字★★★■■、图片和音视频，版权均属本网站所有★■■◆◆◆，任何媒体、网站或个人需经本网站许可方可复制或转载，并在使用时必须注明来源【硅谷网】或对应来源，违者本网站将依法追究责任。

　　《Cluster-Wide Task Slowdown Detection in Cloud System》接收，该论文从集群整体作业执行情况分布入手，旨在解决集群整体作业运行变慢的异常检测问题。论文创造性地提出了撇脂注意力机制和picky loss function解决集群整体作业分布复合周期性及训练集污染的问题■◆★★◆，并使用基于神经网络最优运输模块，实现精准定向检测集群整体作业运行时间分布变慢的异常。论文从新的视角分析云计算平台集群健康状态，实现了基于神经网络的集群作业整体变慢异常定向检测，