تجزیه و تحلیل افزایشی سیاهههای مربوط به سیستم در مقیاس بزرگ برای تشخیص ناهنجاری
| عنوان | تجزیه و تحلیل افزایشی سیاهههای مربوط به سیستم در مقیاس بزرگ برای تشخیص ناهنجاری |
|---|---|
| نویسنده | استکین، م.، اوزجان، س.، سوزر، حسن |
| تاریخ انتشار: | 2019 |
| محل انتشار | - IEEE |
| موضوع | تجزیه و تحلیل گزارش، سیستم های توزیع شده، پردازش موازی، تشخیص ناهنجاری، داده های بزرگ، یادگیری ماشینی |
| نوع | سند |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شناسه دارایی کتابخانه | 978-1-7281-0857-5 |
| شماره ثبت | 3797ac85-8095-4a36-882c-5e9d8833b99c |
| محل کتابخانه | علوم کامپیوتر |
| تاریخ | 2019 |
| متن نمونه | ناهنجاری ها در طول اجرای سیستم را می توان با تجزیه و تحلیل خودکار گزارش های تولید شده توسط سیستم شناسایی کرد. با این حال، سیستمهای مقیاس بزرگ میتوانند دهها میلیون خط لاگ را در عرض چند روز تولید کنند. پیاده سازی متمرکز الگوریتم های یادگیری ماشین سنتی برای چنین داده هایی مقیاس پذیر نیستند. بنابراین، ما اخیراً یک چارچوب تجزیه و تحلیل گزارش توزیع شده برای تشخیص ناهنجاری معرفی کردیم. در این مقاله، ما توسعهای از این چارچوب را معرفی میکنیم که میتواند ناهنجاریها را زودتر از طریق تحلیل افزایشی به جای رویکرد تحلیل آفلاین موجود تشخیص دهد. در نسخه توسعه یافته، ما به صورت دوره ای داده های گزارشی را که تا کنون انباشته شده اند پردازش می کنیم. ما آزمایشهای کنترلشده را بر اساس مجموعه دادههای معیار برای ارزیابی اثربخشی این رویکرد انجام دادیم. ما آزمایش های خود را با دوره های مختلف تکرار کردیم که فرکانس تجزیه و تحلیل و همچنین اندازه داده های پردازش شده را در هر بار تعیین می کند. نتایج نشان داد که تجزیه و تحلیل آنلاین ما میتواند زمان تشخیص ناهنجاری را به طور قابلتوجهی بهبود بخشد و در عین حال سطح دقت را با روش آفلاین حفظ کند. تنها مورد استثنایی، که در آن دقت به خطر بیفتد، به ندرت رخ می دهد که تجزیه و تحلیل قبل از جمع آوری تمام داده های گزارش مربوط به یک جلسه خاص از رویدادها آغاز شود. |
| DOI | 10.1109/BigData47090.2019.9006593 |
