Detecção de Anomalias em Logs para Manutenção Preditiva baseada em Sistema Fuzzy Evolutivo Fracamente Supervisionado

Abstract

A detecção de anomalia de comportamento de sistemas é crucial para a manutenção preditiva e a segurança dos dados em centros de computação. Centro de computação é qualquer rede de computadores que permita aos usuários compartilhar dados e recursos computacionais. Em geral, logs são dados não-estruturados (arquivos) produzidos por processos estocásticos não-estacionários. Propomos uma abordagem de inteligência computacional em tempo real para monitorar e classificar o comportamento de sistemas baseado em logs usando um esquema de janela deslizante em conjunto com um gráfico de controle estatístico para encontrar estruturas e classificar logs em relação a graus de anomalia. Os resultados de classificação são melhorados a partir do eGFC (evolving Gaussian Fuzzy Classifier), que gera e atualiza um modelo granular fuzzy a partir de fluxo de dados contínuo fracamente rotulados. O sistema fuzzy evolutivo de monitoramento de centrais de computação tem produzido resultados encorajadores em termos de acurácia e eficiência em processamento em tempo real para aplicações de aprendizado de máquina online.