Sirvi Autor "Hassan, Samreen Mahak" järgi

Nüüd näidatakse 1 - 2 2

Anomaaliate tuvastamiseks sügav õpe kasutavate äriliste intsidentide klassifitseerimine ja prognoosimine
(2019) Hassan, Samreen Mahak; Aleksandr Tavgen; Martin Kiilo; Raimundas Matulevičius
Tarkvarasüsteemid katavad tänapäeva äriettevõtete jaoks elutähtsaid funktsioone ja on tihti ka äritegevuse läbiviimiseks primaarse tähtsusega. Taolised süsteemid võivad koosneda väga suurest hulgast komponentides, mis on arendatud erinevate meeskondade või ettevõtete poolt ning enamasti ka kasutades erinevaid tehnoloogiaid. Erinevate osade koostoime tagamine taolistest süsteemides on keerukas. Tüüpilistest tarkvaralahendustes võivad probleemid tekkida nii füüsiliste seadmete riketest, võrguühenduste katkestustest, seadistuste tegemisel, erinevate tarkvarakomponentide uuendamisel tekkivatest suhtlusprotokollide ebakõladest, samuti ka välistest faktoritest nagu kasutajate kasutusmustrite muutused või kasvõi kavatsetud rünnakud tarkvara süsteemide vastu. Seetõttu on äritegevuse tagamiseks vajalik tagada ka tarkvarasüsteemide pidev toimimine ning veaolukordade puhul reageerida ning viga kõrvaldada võimalikult kiiresti. Esimene samm vigade kõrvaldamisel on veaolukorra tuvastamine. Kiire reageerimise saavutamiseks peab tuvastamine toimuma samuti kiiresti, oluline on oskus eristada veaolukordadele viitavaid anomaaliaid normaalsest olukorrast. Playtech kasutab taoliseks automaatseks tuvastamiseks ja häirete tõstatamiseks tüüpilist anomaaliate tuvastamise lähenemist: reeglitel põhinevat tuvastamist. Kuid lisaks anomaalia tuvastamisele on oluline ka hinnata anomaalia tähendust ning võimalikku ärikriitilisust. Kui tuvastatud anomaalia registreeritakse intsidendina, on vajalik kategoriseerida see hinnates potentsiaalset intsidendi tõsidust, et tagada efektiivne reageerimine, vea tuvastamine ja kõrvaldamine. Antud töö eesmärk ongi masinõppel põhineva mudeli treenimine ja väljatöötamine, mis tuvastaks ja kategoriseeriks taolisi intsidente. Töö kirjeldab detailselt kuidas kasutatakse anomaaliate tuvastamise ja masinõppe tehnikaid parandamaks olemasolevat lahendust ning arendada seda edasi klassifitseerimaks intsidente. Välja pakutud lahendus ennustab tõenäosuslikult, millisesse kategooriasse võiks tuvastatud intsident kuuluda, kasutades selleks intsidendi tuvastamisel talletatud mõõdikute ajaseeriate informatsiooni.
Äriintsidentide klassifitseerimine ja prognoosimine kasutades süvaõpet anomaaliatuvastusel
(2019) Hassan, Samreen Mahak; Aleksandr Tavgen; Martin Kiilo and Raimundas Matulevičius
Tarkvarasüsteemid omavad tänapäeva äriettevõtetes elutähtsaid funktsioone ja nad on tihti ka äritegevuseks primaarse tähtsusega. Taolised süsteemid võivad koosneda väga suurest hulgast komponentidest, mis on arendatud erinevate meeskondade või ettevõtete poolt ning enamasti ka kasutades erinevaid tehnoloogiaid. Keerukate süsteemide korral võivad olla vead nii rakendustes kui ka võrgus. Probleemid võivad ilmneda konfigureerimisel, mis võib põhjustada ootamatuid pöördeid ärivoos, samuti võivad versiooniuuendused tekitada kooskõlaprobleeme. See kõik võib põhjustada ärile maine- ja finantsilist kahju. Seetõttu on ärile vajalikud proaktiivsed sammud, et tulla toime äriintsidentidega enne nende ebasoodsat mõju teistele komponentidele. See toob kaasa vajaduse analüütilise platvormi järele, kus oleks võimalik eristada süsteemi normaalset käitumist anomaalsest meetrika alusel. Playtech plc kasutab taoliseks automaatseks tuvastamiseks ja häirete tõstatamiseks tüüpilist anomaaliate tuvastamise lähenemist: reeglitel põhinevat tuvastamist. Playtech plc, tarkvarasüsteemides jälgitakse tuhandeid meetrikuid, alustades infrastruktuuri ja süsteemitarkvara ning lõpetades rakenduste ja ärimeetrikutega. Samas on tarkvara paigaldatud ja opereerib rohkem kui 40-s asukohas, igas neist erinevate lõppkasutajate ning ärimudelitest tulenevate erinevustega. Lisaks sellele, on tarkvara pidevas muutumises, nädalaste arendustsüklite tulemustena uuendatakse igal teisel nädalal komponente üle kõigi asukohtade ja paigalduste. Reeglitel põhinev lähenemine on piisavalt efektiivne tuvastamise kiiruse ja täpsuse osas, kuid nõuab palju inimressursse reeglite haldamise ja täppisseadistamise tõttu sellises muutuvas keskkonnas. Seetõttu nähti vajadust leida lahendus mis suutaks automaatselt kohaneda muutuvas keskkonnas ning erinevates tarkvara seadistustes ilma inimese pideva sekkumiseta.Antud töö eesmärk ongi masinõppel põhineva mudeli väljatöötamine ja treenimine, mis tuvastaks ja kategoriseeriks taolisi intsidente. Töö kirjeldab detailselt, kuidas kasutatakse anomaaliate tuvastamise ja süvaõppe tehnikaid täiendamaks olemasolevat lahendust intsidentide tuvastamisel ja klassifitseerimisel.