ترجمه فارسی مقاله یک گزارش روش شناختی در مورد تشخیص ناهنجاری در نمودارهای دانش پویا

چکیده

In this paper, we explore different approaches to anomaly detection on dynamic knowledge graphs, specifically in a microservices environment for Kubernetes applications. Our approach explores three dynamic knowledge graph representations: sequential data, one-hop graph structure, and two-hop graph structure, with each representation incorporating increasingly complex structural information. Each phase includes different machine learning and deep learning models. We empirically analyse their performance and propose an approach based on ensemble learning of these models. Our approach significantly outperforms the baseline on the ISWC 2024 Dynamic Knowledge Graph Anomaly Detection dataset, providing a robust solution for anomaly detection in dynamic complex data.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، ما رویکردهای مختلفی را برای تشخیص ناهنجاری در نمودارهای دانش پویا ، به طور خاص در یک محیط میکروسرویس برای برنامه های Kubernetes بررسی می کنیم.رویکرد ما به بررسی سه نمایش نمودار دانش پویا می پردازد: داده های پی در پی ، ساختار نمودار یک هاپ و ساختار نمودار دو هاپ ، با هر بازنمایی دارای اطلاعات ساختاری به طور فزاینده ای پیچیده است.هر مرحله شامل یادگیری ماشین های مختلف و مدل های یادگیری عمیق است.ما به صورت تجربی عملکرد آنها را تجزیه و تحلیل می کنیم و رویکردی را بر اساس یادگیری گروه از این مدل ها پیشنهاد می کنیم.رویکرد ما به طور قابل توجهی بهتر از پایه در مجموعه داده های تشخیص ناهنجاری نمودار دانش دینامیکی ISWC 2024 است و یک راه حل قوی برای تشخیص ناهنجاری در داده های پیچیده پویا ارائه می دهد.