Koneoppimisen hyödyntäminen konesalipalveluiden ennakoivassa häiriönhallinnassa

Abstract

IT-palveluiden merkittävät häiriöt ovat usein monen osatekijän summa. Palveluista rakennetaan lähtökohtaisesti vikasietoisia, mutta ympäristöissä saattaa olla häiriöille altistavia tekijöitä. Näiden tekijöiden havaitseminen ja poistaminen ennen kuin ne johtavat häiriöön estäisi loppukäyttäjän kokeman palvelutason aleneman tai palvelun estymisen.

Tässä opinnäytetyössä tutkittiin, miten koneoppimista voidaan hyödyntää konesalipalveluiden valitun osa-alueen häiriöiden ennakoitavuuden parantamisessa ja mitkä ovat suurimmat haasteet koneoppimista hyödyntävien mallien käyttöönotossa. Tutkimuksen teoriaosuudessa käsitellään yleisesti konesalipalveluiden rakennetta ja häiriönhallinnan nykytilaa sekä koneoppimisen teoriaa ja sovelluskohteita. Tutkimuksen käytännön osuus toteutettiin laadullisena kyselytutkimuksena ja haastatteluilla.

Perinteisesti konesalipalveluiden terveydentilaa valvotaan seuraamalla valvontajärjestelmällä eri metriikoita ja hälytykset perustuvat staattisiin raja-arvoihin. Tutkimus osoitti, että analysoimalla palveluiden käyttäytymistä pidemmällä aikavälillä pystyttäisiin koneoppimisen keinoin muodostamaan perustaso ja ennustamaan sen perusteella tulevaa käyttäytymistä. Havaitsemalla poikkeamia tästä pystyttäisiin häiriöön johtavia tilanteita ennakoimaan paremmin ja poistamaan tehokkaammin häiriöille altistavia tekijöitä ennen niiden vaikutusta palvelutasoon. Häiriötilanteen sattuessa koneoppimista voitaisiin hyödyntää häiriön juurisyyanalyysissä ja asiakasvaikutusten tarkentamisessa.

Tekoälyn ja koneoppimisen hyödyntämismahdollisuudet ovat laajat ja kehittyvät nopeasti. Mallien kehittäminen vaatii riittävää resursointia, ja niitä on jatkuvasti ylläpidettävä ja kehitettävä. Tämä vaatii tavoitteiden selkeyttämistä, osaamisen kehittämistä ja organisaatiorajat ylittävää yhteistyötä.

Major incidents in IT services are often the result of multiple contributing factors. While services are designed to be fault-tolerant, certain environmental conditions can expose them to disruptions. Detecting and removing these factors before they lead to visible disturbances can prevent a decline in service levels experienced by end users or even service interruptions.

This thesis investigated how machine learning can be utilized to enhance the predictability of incidents in selected areas of datacenter services and identified the primary challenges in implementing machine learning models. The theoretical part of the research discussed the structure of data center services, the current state of incident management, and the theory and applications of machine learning. The practical part of the research was conducted through a questionnaire survey and interviews.

Traditionally, the health of data center services is monitored using various metrics within a monitoring system, with alarms based on static thresholds. The study showed that by analyzing the service behavior over extended periods, machine learning can establish baselines and predict future behavior. By detecting deviations from these baselines, it becomes possible to better anticipate situations leading to disruptions and more effectively eliminate contributing factors before they impact service levels. In the event of a disruption machine learning can assist in the root cause analysis and in determining customer impacts.

The potential applications of artificial intelligence and machine learning are extensive and rapidly evolving. Developing models requires sufficient resources and ongoing maintenance. This necessitates clear goal setting, the development of expertise, and collaboration across organizational boundaries.