Case Studies of Causal Discovery from IT Monitoring Time Series

要約

情報技術 (IT) システムは、データ ストレージ、通信、プロセスの自動化を処理する現代のビジネスにとって不可欠です。
これらのシステムを監視することは、分析用に広範な観測時系列データを収集できるため、適切に機能し、効率を高めるために非常に重要です。
IT システムのさまざまなコンポーネント間の因果関係を知ることは、ダウンタイムの削減、システムのパフォーマンスの向上、異常やインシデントの根本原因の特定に役立つため、IT 監視システムにおける因果関係発見への関心が高まっています。
また、履歴データ分析を通じて将来の問題を事前に予測することもできます。
潜在的な利点にもかかわらず、IT 監視データに因果関係発見アルゴリズムを適用すると、データの複雑さが原因で課題が生じます。
たとえば、IT 監視データには、不整合な時系列、スリープ時系列、タイムスタンプ エラー、欠損値が含まれることがよくあります。
このペーパーでは、因果関係発見アルゴリズムをさまざまな IT 監視データセットに適用するケーススタディを紹介し、利点と現在進行中の課題に焦点を当てています。

要約(オリジナル)

Information technology (IT) systems are vital for modern businesses, handling data storage, communication, and process automation. Monitoring these systems is crucial for their proper functioning and efficiency, as it allows collecting extensive observational time series data for analysis. The interest in causal discovery is growing in IT monitoring systems as knowing causal relations between different components of the IT system helps in reducing downtime, enhancing system performance and identifying root causes of anomalies and incidents. It also allows proactive prediction of future issues through historical data analysis. Despite its potential benefits, applying causal discovery algorithms on IT monitoring data poses challenges, due to the complexity of the data. For instance, IT monitoring data often contains misaligned time series, sleeping time series, timestamp errors and missing values. This paper presents case studies on applying causal discovery algorithms to different IT monitoring datasets, highlighting benefits and ongoing challenges.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google