[Zurück]

M. Wastian, F. Breitenecker, M. Landsiedl:
"Frühzeitige Serverausfallserkennung mittels Vorhersagemethoden und Outlieranalyse";
in: "Tagungsband ASIM 2014 22. Symposium Simulationstechnik", J. Wittmann, C. Deatcu (Hrg.); herausgegeben von: ARGESIM/ASIM; Tagungsband ASIM 2014 22. Symposium Simulationstechnik, Wien, 2014, ISBN: 978-3-901608-44-5, S. 351 - 356.

In dem vorliegenden Paper werden unterschiedliche Ansätze diskutiert, um ungewöhnliche und außerordentliche Ereignisse, für die man eine separate und spezialisierte Betrachtung als wünschenswert erachtet,
anhand von in Form einer multivariaten Zeitreihe regelmäßig mitprotokollierten Daten möglichst frühzeitig zu detektieren und bei entsprechender Möglichkeit sogar vorherzusagen. Nach einem kurzen Überblick über diverse Anwendungsbereiche, in denen diese Fragestellung der abnormalen Eventdetektion auftritt,
wird der Fokus auf die frühzeitige Erkennung von Serverausfällen gelegt. Die zwei elementaren Bausteine des vorgestellten Modells sind - nach geeigneter Datenvorverarbeitung der großen Anzahl der durch
Server Monitoring gemessenen Server Features - ein univariater Prädiktor und ein multivariater Ausreißerdetektor.
Großen Einfluss auf diese Modellbausteine haben dabei Methoden aus den Bereichen des Data Mining, des Machine Learning und des Soft Computing.
Als Prädiktoren werden sowohl klassische SARIMA-Modelle als auch Neuroprädiktoren, die einen bestimmten Typ von künstlichen Neuronalen Netzen zur Vorhersage nutzen, vorgestellt. Auf eine kurze Präsentation
von Werkzeugen zur Ausreißer- bzw. Novumserkennung, insbesondere einer One-Class Support
Vector Machine und des Ansatzes der winkelbasierten Ausreißerdetektion, folgt eine abschließende Diskussion der bis dato erzielten Simulationsergebnisse. Der Text endet mit einem Ausblick auf mögliche Modellerweiterungen und zukünftige Arbeiten.

http://publik.tuwien.ac.at/files/PubDat_235018.pdf