تشخیص ناهنجاری مبتنی بر یادگیری ماشین در پایش مراکز داده بخش عمومی

تشخیص ناهنجاری مبتنی بر یادگیری ماشین در پایش مراکز داده بخش عمومی

یاشار عباسلو صومعه1

1) مدرس دانشگاه، مهندس ارشد مرکز داده، سازمان آتش‌نشانی و خدمات ایمنی کرج

کد IOI مقاله : ACCD-ACAZFD
محل انتشار : دهمین کنفرانس بین المللی پژوهش های کاربردی در علوم و مهندسی(carseconf.com)
چکیده :
    چکیده بهره‌برداری از یک مرکز داده در بخش عمومی مستلزم پایش هزاران شاخص مربوط به سرورها، شبکه‌ها و برنامه‌های کاربردی است. آستانه‌های ثابت هشدار به‌راحتی قابل درک هستند، اما نمی‌توانند با چرخه‌های بار روزانه و هفتگی سازگار شوند؛ در نتیجه، مشکلاتی را که در زمان‌های کم‌بار رخ می‌دهند، از دست می‌دهند و قادر به شناسایی ترکیب‌هایی از شاخص‌ها نیستند که هرکدام به‌تنهایی در محدوده طبیعی قرار دارند. این مقاله، تشخیص ناهنجاری مبتنی بر یادگیری ماشین را برای پایش زیرساخت فناوری اطلاعات، در چارچوب گسترده‌تر کاربرد هوش مصنوعی در عملیات فناوری اطلاعات، بررسی می‌کند. در این پژوهش، عملکرد پنج روش تشخیص ناهنجاری بر روی داده‌های تله‌متری چندمتغیره مصنوعی، شامل ۲۰ ناهنجاری تزریق‌شده در هر اجرا و طی ۱۰ اجرای مستقل، مقایسه شده است. این روش‌ها عبارت‌اند از: آستانه‌های ثابت، امتیاز استاندارد (Z-score) متحرک، آشکارساز ماهالانوبیس مبتنی بر خط مبنای فصلی و دو نسخه از الگوریتم جنگل جداساز (Isolation Forest). نتایج نشان می‌دهد که آستانه‌های ثابت تنها ۳۶ درصد از رویدادها را شناسایی می‌کنند؛ درحالی‌که آشکارساز ماهالانوبیس فصلی قادر است تمام این رویدادها را با امتیاز F1 نقطه‌ای برابر با ۰٫۹۴ شناسایی کند، هرچند به بهای ایجاد حدود ۱٫۳ مورد هشدار کاذب در روز. الزام به وقوع دو هشدار متوالی، هشدارهای کاذب را به‌طور کامل حذف می‌کند، اما زمان تشخیص را حدود ۱۳ دقیقه به تأخیر می‌اندازد. دو مدل پیش‌فرض جنگل جداساز نیز به‌ترتیب ۷۸ و ۸۹ درصد از رویدادها را شناسایی می‌کنند. این نتایج بر اساس داده‌های مصنوعی به دست آمده‌اند و سازوکارهای عملکرد روش‌ها را نشان می‌دهند، نه عملکرد آن‌ها در محیط‌های عملیاتی واقعی. همچنین، مقاله به موضوعاتی مانند شیوه‌های ارزیابی، خستگی ناشی از هشدارهای مکرر، حفاظت از داده‌ها و حاکمیت سامانه‌های هوش مصنوعی در سازمان‌های بخش عمومی می‌پردازد.

کلمات کلیدی : تشخیص ناهنجاری هوش مصنوعی در عملیات فناوری اطلاعات (aiops) یادگیری ماشین پایش فناوری اطلاعات