Proctor: A Semi-Supervised PerformanceAnomaly Diagnosis Framework forProduction HPC Systems

1.概述

        对性能变异进行人为的根本原因分析是一件极其耗费时间的事情，因为这要依赖人类专家和数据增长的大小。尽管出现了许多有监督机器学习方法可以自动诊断出HPC系统中的异常，但是它们主要的缺点是：需要人类的操作员理解异常的根本原因以及去标注异常。有监督方法的一个共同缺点就是：需要有大量有标签数据进行训练。在真实环境中却没有很多的有标签的数据。

        文章提出了一种半监督的框架Proctor，可以使用少量的、有限的有标签数据对HPC系统进行故障诊断。

2.Proctor框架

说了这么多，Proctor长什么样子呀，直接上图～

Statistical Feature Extraction:

        文章使用Tuncer et al.’s easy-to-compute statistical features [40]将多元时间序列转换成适合proctor的数据格式。Statistical Feature Extraction方法独立于monitoring framework之外。

Unsupervised Pretraining

        训练autoencoder提取原始时间序列的特征，让autoencoder以无监督的方式去学习正常样本和异常样本的表示。训练autoencoder的目标是学习X和X‘尽可能相似的权重。

Supervised Training

        实现了两种不同的有监督训练模型去诊断出异常的类型，在评估中选择性能最好的那个。

一种模型是：fine-tuning。冻结预训