Засіб виявлення аномалій показників продуктивності розподілених комп’ютерних систем

Артем Миколайович Волокита

Анотація


Дана робота присвячена актуальній задачі розробки засобу автоматичного виявлення аномалій продуктивності розподілених комп’ютерних систем (РКС). Проведено порівняльний аналіз існуючих програмних рішень для виявлення аномалій. Виявлення кореляції між даними з високою мінливістю, які зібрані під час моніторингу ресурсів, вимагає використання спеціалізованих алгоритмів.

В результаті розроблено засіб, який за рахунок використання алгоритмів виявлення аномалій на часових рядах та кореляційного аналізу, дозволяє автоматично виявляти аномальні показники продуктивності в розподілених комп’ютерних системах. Використання даного засобу дозволить підвищити ефективність обслуговування РКС. Запропонований засіб не потребує попереднього аналізу характеристик часових рядів та здатний адаптувати свої параметри до отриманих даних і виявляти лінійні та нелінійні залежності.


Ключові слова


показники продуктивності; виявлення аномалій

Повний текст:

PDF

Посилання


Practical fault detection & alerting. You don't need to be a data scientist – Режим доступу: http://dieter.plaetinck.be/practical-fault-detection-alerting-dont-need-to-be-data-scientist.html – Дата доступу: 23.06.2015 – Назва з екрану.

Veasey T., Dodson S. Anomaly Detection in Application Performance Monitoring Data // IJMLC. 2014. Vol. 4. pp. 120-126.

Zhang Q., Cherkasova L., Mathews G., Greene W., and Smirni E. R-Capriccio: A Capacity Planning and Anomaly Detection Tool for Enterprise Services with Live Workloads // HPL. 2012. Vol. 7. pp. 129-149.

Peiris M., Hil J.H., Thelin J., Bykov S., Kliot G., and Konig C. PAD: Performance Anomaly Detection in Multi-Server Distributed Systems // CLOUD 2014: 7th IEEE International Conference on Cloud Computing. Alaska. 2014.

Microsoft Azure Anomaly Detection. – Режим доступу: http://datamarket.azure.com/dataset/aml_labs/anomalydetection – Дата доступу: 23.06.2015 – Назва з екрану.

Numenta Grok – Режим доступу: URL: http://numenta.com/grok/ – Дата доступу: 23.06.2015 – Назва з екрану.

Appdynamics: Behavior Learning and Anomaly Detection – Режим доступу: URL: https://docs.appdynamics.com/display/PRO14S/Behavior+Learning+and+Anomaly+Detection – Дата доступу: 23.06.2015 – Назва з екрану.

Prelert – Режим доступу: URL: http://info.prelert.com – Дата доступу: 23.06.2015 – Назва з екрану.

SPM Performance Monitoring, Alerting, & Anomaly Detection – Режим доступу: URL: http://oss.oetiker.ch/rrdtool/ – Дата доступу: 23.06.2015 – Назва з екрану.

Notes on RRDTOOL implementation of Aberrant Behavior Detection – Режим доступу: URL: http://cricket.sourceforge.net/aberrant/rrd_hw.htm. – Дата доступу: 23.06.2015 – Назва з екрану.

Skyline – Режим доступу: https://github.com/etsy/skyline. – Дата доступу: 23.06.2015 – Назва з екрану.

InfluxDB – Режим доступу: URL: https://influxdb.com/ – Дата доступу: 23.06.2015 – Назва з екрану.

Tosia S., Casolaria S., and Colajannia M. Detecting correlation between server resources for system management // Journal of Computer and System Sciences, Vol. 8, No. 4, June 2014. pp. 821-836.

Dean D.J., Nguyen H., and Gu X. ICAC '12 // UBL: Unsupervised Behavior Learning for Predicting Performance Anomalies in Virtualized Cloud Systems. 2012. pp. 191-200.

Carbon – Режим доступу: URL: https://github.com/graphite-project/carbon – Дата доступу: 23.06.2015 – Назва з екрану.




DOI: https://doi.org/10.20535/1560-8956.29.2016.92158

Посилання