Agregacja wielomodalnych strumieni logów i metryk na potrzeby neuronowo-rozmytego wykrywania anomalii w systemach komputerowych

Zapewnienie stabilnego i niezawodnego działania nowoczesnych systemów komputerowych stanowi kluczowe wyzwanie. Zazwyczaj osiąga się to poprzez ciągłe rejestrowanie zdarzeń systemowych oraz monitorowanie wskaźników zasobów sprzętowych (np. procesora, pamięci RAM). Jednak konwencjonalne rozwiązania monitorujące zazwyczaj analizują te strumienie danych w oderwaniu od siebie. Ich bezpośrednia integracja jest znacznie utrudniona przez zasadnicze różnice w charakterystyce czasowej i skalach pomiarowych. Na przykład logi są często przetwarzane przy użyciu OpenSearch, podczas gdy wskaźniki są monitorowane za pomocą Grafany. W rezultacie traci się kontekst korelacji, co utrudnia identyfikację pierwotnych przyczyn anomalii systemowych. Aby przezwyciężyć te ograniczenia, w niniejszym artykule proponuje się nowatorską metodę, która łączy wielomodalne strumienie danych wejściowych logów i metryk w ujednoliconą przestrzeń cech, zaprojektowaną specjalnie do późniejszego wykorzystania przez systemy neuronowo-rozmyte w celu zaawansowanego wykrywania anomalii. W niniejszym badaniu przedstawiono matematyczną formalizację obszaru problemowego poprzez wprowadzenie ujednoliconego systemu zmiennych oraz opracowanie modelu przestrzeni obserwacyjnej. Proponowana metoda agregacji danych heterogenicznych skutecznie przygotowuje przestrzeń wejściową dla klasyfikatorów neuronowo-rozmytych. Synchronizację czasową między metrykami a zdarzeniami osiąga się za pomocą strategii okna przesuwnego, natomiast do wskaźników liczbowych stosuje się normalizację min-max w celu wyeliminowania dominacji cech. Dodatkowo przetwarzanie logów jest realizowane poprzez konwersję nieustrukturyzowanych komunikatów na standardowe szablony, które są następnie ważone według poziomu krytyczności i dalej analizowane przy użyciu entropii strumienia zdarzeń. Proponowane podejście generuje informacyjną przestrzeń stanów charakteryzującą się wysoką separowalnością przestrzenną między normalnymi i anomalnymi stanami systemu, dzięki czemu wynikowy wektor cech doskonale nadaje się do późniejszego uczenia sieci neuronowo-rozmytych. Wyniki eksperymentalne pokazują, że metoda z powodzeniem uchwyciła synchroniczną korelację między skokami obciążenia sprzętu a występowaniem krytycznych błędów.