METHOD AND SYSTEM FOR AUTOMATIC ANOMALY DETECTION IN DATA

• Main Author: MARATHE, Arunprasad P
• Format: Patent
• Language: English; French
• Published: 21.01.2021
• Subjects: CALCULATING; COMPUTING; COUNTING; ELECTRIC DIGITAL DATA PROCESSING; PHYSICS

A method and system for detecting anomaly transition point candidates in performance metadata. The method can be applied to computer system performance monitoring. Anomaly candidates, indicative of a possible transition, of a process generating the performance metadata, to or from an anomalous behavior mode are identified, for example by comparing z-scores to the left and right of various timestamps and identifying anomaly candidates when the z-scores are significantly different. Anomaly candidates occur singularly rather than as pairs of endpoints of an anomaly interval. For at least one of the anomaly candidates, an explanatory predicate, indicative of a human-readable explanation of behavior of the process, can be generated. The set of anomalies can then be filtered, for example by removing those without explanatory predicates or replacing clusters of anomalies with a most relevant anomaly. L'invention concerne un procédé et un système permettant de détecter des candidats de points de transition d'anomalies dans des métadonnées de performances. Le procédé peut être appliqué à la surveillance des performances d'un système informatique. Des candidats d'anomalies, indiquant une transition possible, d'un processus générant les métadonnées de performances, à un mode de comportement anormal, ou à partir de celui-ci, sont identifiés, par exemple en comparant des scores z à gauche et à droite de diverses estampilles temporelles et en identifiant des candidats d'anomalies lorsque les scores z sont significativement différents. Les candidats d'anomalies se produisent individuellement plutôt que par paires de points d'extrémités d'un intervalle d'anomalie. Pour au moins l'un des candidats d'anomalies, un prédicat explicatif, indiquant une explication lisible par l'homme du comportement du processus, peut être généré. L'ensemble d'anomalies peut ensuite être filtré, par exemple en éliminant les anomalies qui ne comprennent pas de prédicat explicatif, ou en remplaçant des groupes d'anomalies par une anomalie la plus pertinente.