Progressing from Anomaly Detection to Automated Log Labeling and Pioneering Root Cause Analysis

要約

AIOps の領域は、AI と ML の力で IT 環境を変革しています。
ラベル付きデータが限られているという課題にもかかわらず、教師ありモデルは将来性を示しており、特に深層学習のコンテキストにおいて、トレーニングにラベルを活用することの重要性が強調されています。
この研究は、ログ異常の分類法を導入し、ラベル付けの課題を軽減する自動データラベル付けを検討することにより、この分野を強化します。
さらに、さまざまな異常検出技術の可能性と、特定の異常タイプとの連携を調査します。
ただし、調査は異常の検出にとどまりません。
この研究は、異常検出に続いて根本原因分析が行われ、異常の根本的なトリガーを解明する未来を想定しています。
この未知の領域には、IT システム管理に革命をもたらす計り知れない可能性が秘められています。
基本的に、このペーパーは異常検出と自動ラベル付けについての理解を深め、変革的な根本原因分析の準備を整えます。
これらの進歩により、IT システムの回復力がさらに高まり、進化し続ける技術環境において運用効率とユーザー満足度が向上することが期待されます。

要約(オリジナル)

The realm of AIOps is transforming IT landscapes with the power of AI and ML. Despite the challenge of limited labeled data, supervised models show promise, emphasizing the importance of leveraging labels for training, especially in deep learning contexts. This study enhances the field by introducing a taxonomy for log anomalies and exploring automated data labeling to mitigate labeling challenges. It goes further by investigating the potential of diverse anomaly detection techniques and their alignment with specific anomaly types. However, the exploration doesn’t stop at anomaly detection. The study envisions a future where root cause analysis follows anomaly detection, unraveling the underlying triggers of anomalies. This uncharted territory holds immense potential for revolutionizing IT systems management. In essence, this paper enriches our understanding of anomaly detection, and automated labeling, and sets the stage for transformative root cause analysis. Together, these advances promise more resilient IT systems, elevating operational efficiency and user satisfaction in an ever-evolving technological landscape.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google