Hubble Deep Field South
PulseAugur coverage of Hubble Deep Field South — every cluster mentioning Hubble Deep Field South across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
LogCDM: 用于CPU上异常检测的紧凑型AI
研究人员开发了LogCDM,一个紧凑型异常检测系统,专为在无需GPU的监控节点上高效部署而设计。LogCDM利用三个信号:来自小型Transformer的下一个事件惊喜度、会话转换图与参考图之间的距离以及转换漂移统计量。该系统拥有810万至880万个参数,在HDFS、BGL和Thunderbird等数据集上取得了高F1分数,其性能与大得多的语言模型相当,同时在CPU上以毫秒级处理会话。
-
研究发现:日志异常检测基准对评估协议敏感
一篇新的研究论文探讨了不同的评估协议如何显著改变从日志异常检测基准得出的结论。该研究在 HDFS 和 BGL 日志上进行,调查了拆分构建、数据表示可见性和组件成本的影响。研究结果表明,随机拆分可能导致分数虚高,而在 BGL 日志上进行的时间顺序评估揭示了不同的性能排序。研究还量化了不同管道阶段的成本,将解析和表示费用与分类器训练和预测分开。
-
新的TriCalRAG基准测试评估本地LLM在AIOps根因分析中的应用
开发了一个名为TriCalRAG的新基准测试,用于评估本地部署的大型语言模型(LLM)在AIOps根因分析中的性能。该基准测试解决了云托管模型相关的隐私和成本问题。该基准测试在一个高内存工作站GPU上进行了测试,并比较了两种开源模型Qwen2.5-14B和Mistral-Small,使用了零样本、少样本和检索增强生成(RAG)提示策略。结果表明,RAG显著提高了模型的准确性和校准度,但模型选择取决于优先考虑峰值性能还是可预测行为。
-
qKnow 开源版 v2.4.2 通过直接外部存储同步增强数据摄取能力
qKnow 开源版 v2.4.2 已发布,通过直接数据同步功能增强了其知识文件摄取工作流,支持知识库和知识图谱。此次更新允许用户直接连接到 HDFS、FTP 和阿里云 OSS 等外部存储系统,无需在上传前将文件下载到本地。新的向导式工作流简化了将大量企业知识材料直接同步到平台的流程,减少了操作步骤、磁盘空间消耗和网络带宽使用。
-
RankShift算法检测数据库中的分类数据偏移
研究人员开发了RankShift,一种用于检测和解释分析数据库中分类偏移的新颖方法。该技术在不改变总体事件计数的情况下识别类别分布的变化,解决了传统事件计数监控的局限性。RankShift利用Pearson分数来精确定位导致偏移的类别,并在HDFS、BGL和Thunderbird等数据集上展示了强大的性能,在特定场景下优于计数向量自编码器,并且所需的计算资源显著减少。
-
qKnow Professional Edition v3.1.2 通过支持 HDFS/OSS 简化数据摄入
qKnow Agent Building Platform 发布了其 Professional Edition 的 3.1.2 版本,引入了增强的数据摄入功能。此次更新允许从 HDFS、OSS 和 FTP 等第三方存储解决方案一键导入数据,直接导入知识库和知识图谱。新功能旨在通过消除手动下载和上传文件的需求,降低数据摄入成本并简化知识构建流程。
-
新型LLM-BiLSTM模型实时检测HDFS日志异常
研究人员开发了一种使用机器学习和自然语言处理来检测HDFS日志中异常的新方法。提出的工作流程涉及并行处理历史日志数据,并构建一个LLM-BiLSTM混合深度学习模型来识别异常块。该方法通过Kafka集成到流式日志管道中,为HDFS日志块异常检测提供实时解决方案。
-
LogNEO框架使用GPT-Neo进行实时日志异常检测
研究人员开发了LogNEO,一个使用EleutherAI的GPT-Neo模型检测系统日志中异常的新框架。该系统采用了一种新颖的强化学习方法,并结合了位置感知奖励机制和交叉熵正则化。LogNEO在标准基准测试中取得了高F1分数,在召回率方面优于先前最先进的方法,并且已在生产环境中得到验证,具有低延迟和高吞吐量。