Health monitoring of a computer network based on sequential analysis of serial pattern
MTUCI, Oleg I. Sheluhin, Andrey V. Osin, MTUCI, D. Kostin, MTUCI · T-Comm - Телекоммуникации и Транспорт · 2020
ДИАГНОСТИКА "ЗДОРОВЬЯ" КОМПЬЮТЕРНОЙ СЕТИ НА ОСНОВЕ СЕКВЕНЦИАЛЬНОГО АНАЛИЗА ПОСЛЕДОВАТЕЛЬНОСТНЫХ ПАТТЕРНОВ Ключевые слова: аномальные состояния, компьютерной сети, прогнозирование, машинное обучение, интеллектуального анализа данных, мониторинг системных показателей, кластеризация, секвенциальный анализ, паттерн.Для цитирования: Шелухин О.И., Осин А.В., Костин Д.В.Диагностика "здоровья" компьютерной сети на основе секвенциального анализа последовательностных паттернов // T-Comm: Телекоммуникации и транспорт.2020.Том 14. №2.С. 9-16.For citation: Sheluhin O.I., Osin A.V., Kostin D.V. (2020) Health monitoring of a computer network based on sequential analysis of serial pattern.T-Comm, vol.14, no.2, pр.9-16.(in Russian) Для решения задач диагностики "здоровья" компьютерной сети (КС) предложено, использовать методы и алгоритмы статистической обработки данных, машинного обучения и интеллектуального анализа "прошлых" данных полученных путем изучения истории поведения сети "в прошлом" и формализации этой информации в виде некоторых шаблонов (паттернов).В качестве метода прогнозирования аномальных состояний КС предложено использовать метод выбора из полученных закономерностей наиболее приемлемой с точки зрения "здоровья сети" путем использования аппарата секвенциального анализа сформированных последовательностных паттернов.Рассмотрены этапы процесса прогнозирования на основе последовательностных паттернов и структура реализованного алгоритма вычисления прогноза текущего состояния КС.В качестве целевой функции оптимизации гиперпараметров алгоритма прогнозирования предложено использовать функцию Парето.В качестве лучшего набора параметров выбирается тот, при котором достигается максимальное значение введенной целевой функции.В качестве системных показателей, характеризующих "здоровье компьютерной сети" используется уровень обслуживания (Service Level Objectives, SLO), и соглашение об уровне предоставляемого сервиса (Service Level Agreement, SLA).На конкретном примере рассмотрена визуализация процесса кластеризации состояний КС с использованием алгоритма k-means и алгоритма понижения размерности -TSNE.Предложено оценивать "здоровье сети" по близости текущей оценки прогноза состояния КС к сформированной в результате кластеризации области аномальных состояний в виде расстояния до ближайших центров кластеров, на порядковой шкале от 1 до 5. Предложено характеризовать "состояние здоровья" КС с помощью "Зеленого", "Желтого" и "Красного" уровней аномальности.