پیش بینی نظارت – خرابی سرور را پیش بینی کنید

سخت افزار و نرم افزار با کیفیت بالا می توانند شکست بخورند. این واقعیت تلخی است که فناوری اطلاعات در سال 2020 به ما می آموزد. تعامل مؤلفه های مختلف نرم افزار بطور خاص اغلب منجر به بروز مشکلاتی می شود. برای حل این مشکل معمولاً از "افزونگی" استفاده می شود. سیستم IT چندین بار مستقر شده است تا یک شکست در یک یا چند بخش از سیستم قابل رهگیری باشد. با این حال ، این روند چالش های بعدی را ایجاد می کند. از یک طرف ، راه حل مقرون به صرفه است ، از سوی دیگر ، سایر مؤلفه ها برای شبکه سازی سیستم های چندگانه ارائه شده استفاده می شود ، که به نوبه خود می توانند در اثر خرابی ها تحت تأثیر قرار گیرند.
حتی سه ارائه دهنده بزرگ ابر ، آمازون ، گوگل و مایکروسافت دارای شکست های منظم هستند. جنگیدن به همین دلیل ، ما در Adacor اکنون به طور جدی در حال بررسی چگونگی پیش بینی شکست ها هستیم. هدف کاهش چشمگیر خرابی و صرفه جویی در هزینه های ناشی از خرابی و کمبود لازم سیستم ها است.

از منطق ساده گرفته تا سیستم های هشدار هوشمند

رویکردهای مختلف پویا و پیش آگهی مختلف برای چندین سال بوده است. برای توسعه بیشتر سیستم های کلاسیک نظارت IT. تحت شرایط خاص ، سیستم های توسعه یافته بطور خودکار زمان استفاده مکرر در سری های زمانی متریک را تشخیص می دهند و آنها را به عنوان غیرمجاز طبقه بندی می کنند. یک سیستم نظارتی معمولی چنین نظارتی را به رسمیت نمی شناسد و هر بار که رخ می دهد پیامی را تولید می کند. علاوه بر این ، مدل های پیش بینی خطی ساده متداول هستند. در گذشته ، Adacor همچنین یک مدل پیش آگهی برای تعیین دوره آینده سطح پر کردن دیسک سخت بر اساس رگرسیون خطی ایجاد کرده است. این مدل اجازه می دهد تا در اوایل زمان سطح پر کردن بحرانی دیسک های سخت فردی نشان داده شود. در این روش ، تیم عامل عملیاتی می تواند پشتیبانی از سیستم های IT را مؤثرتر کند.

همه مکانیسم ها یک چیز مشترک دارند: آنها نیاز دارند که مردم اتصالات را بشناسند و مدل های مناسب را بطور مستقل بسازند ، یعنی بتوانند دستگاه را مشخص کنند. چندین میلیون پیام از وضعیت و خطا ، نمایش داده شد و رویدادهای دیگر هر روز در زیرساخت هایی که توسط Adacor اداره می شود تولید می شود. پیوند یا تحلیل آنها از نظر انسانی غیرممکن است. بنابراین ، استفاده از هوش مصنوعی برای شناسایی الگوهای مربوطه ، منطقی تر خواهد بود. برای این کار ، داده ها باید به قالب قابل خواندن با ماشین تبدیل شوند. روشهای پیچیده ای مانند شبکه های عصبی از تحلیل روابط پشتیبانی می کنند.

رویه کلی مانند یک بازی است انسان دستگاهی را که برای آن پاداش می گیرد و برای آن مجازات می کند ، مشخص می کند. سپس هوشمندی سعی در بهینه سازی سیستم تصمیم گیری به گونه ای می کند که هرچه بیشتر ممکن است پاداش داده شود.
آنچه به نظر ساده می رسد یک واقعیت بسیار پیچیده است. بدون پیش نیازهای مناسب ، حتی هوش مصنوعی نیز نتایج قابل استفاده ای را ارائه نمی دهد. طی دو سال آینده ، تیم تحقیقاتی Adacor می خواهد دریابد که چه اطلاعاتی در دسترس است ، چگونه ، کدام پارامترها توسط اطلاعات قابل تغییر هستند و چگونه می توان یک پیش بینی از آن بوجود آمد.

نتیجه گیری: با عملکردی متقابل ، موفقیت برای مشتری [19659003] کارمندان این پروژه تحقیقاتی از تیم های مختلفی تهیه شده اند و هر یک در تخصص ویژه خود مشارکت می کنند. این شامل دانشمندان داده ، توسعه دهندگان نرم افزار و سرپرستان فناوری اطلاعات است. هدف مشترک ایجاد هوش مصنوعی است که جریان داده را در زمان واقعی تجزیه و تحلیل می کند و می تواند در مراحل اولیه نقص سیستم های IT را پیش بینی کند. این امر باعث می شود كه در آینده درمان نارسایی ها قبل از وقوع آنها – به عنوان مثال به جای واكنش – و به طور قابل توجهی در دسترس بودن سیستم ها افزایش یابد. مشتری از بسیاری جهات از پیشرفت های جدید بهره می برد. این نه تنها دسترسی زیاد سیستمهای شما را افزایش می دهد ، بلکه نیاز به افزونگی را کاهش می دهد و هزینه های مرتبط با آن نیز ذخیره می شود.