Tekoäly ja koneoppiminen valvonnan tukena : oppiva tukityökalu infrastruktuurin tilannetiedon seurantaan

Abstract

Opinnäytetyössä tutkittiin, testattiin ja kehitettiin syslog valvontaviesteille, sekä valvontajärjestelmän herätedatalle polku syvällisempään analyysiin, käyttäen hyväksi koneoppimista. Tutkimuksessa ja sen läpiviennissä käytettiin pohjana suunnittelutieteellistä tutkimusta, jota seuraten pyrittiin saamaan valmiita malleja datan käsittelylle kahdessa erityyppisessä koneoppimisympäristössä, Altair AI Studiossa sekä Visual Studio Co-den Pythonin koneoppimismallien ominaisuuksia hyväksikäyttäen. Molempien koneoppimisympäristöjen lopputulemaa on pyritty analysoimaan siten, saadaanko näistä malleista todellista hyötyä valvontajärjestelmän avuksi kohtuullisella työmäärällä. Vaikka opinnäytetyössä on tunnistettu joitakin ominaisuuksia, joita esiintyy kaupallisissa valvontatyökaluissa käytettävissä tekoälymalleissa, ei eri menetelmiä tai tuotteita ole lähdetty vertaamaan keskenään. Myöskään opinnäytetyön aikana rakennettuja malleja tai analyysejä, jotka käsittelevät syslog-datan ja valvontajärjestelmän heräteaineistojen (event-data) toimivuutta ja soveltuvuutta datasettien käsittelyyn ei olla vertailtu kaupallisiin vaihtoehtoihin. Opinnäytetyössä on saavutettu useita selkeitä löydöksiä ja malleja, joiden hyväksikäyttöä tultaneen harkitsemaan tulevaisuudessa.

The thesis researched, tested and developed a path for deeper analysis of syslog monitoring messages and monitoring system event-data, using machine learning. The research and its implementation were based on Design Science Research Methodology (DSRM), which was followed by an effort to obtain ready-made models for data processing in two different types of machine learning environments, Altair AI Studio and Visual Studio Code, utilizing the features of Python machine learning models. The end result of both machine learning environments has been analyzed to determine whether these models can provide real benefit to the monitoring system with a reasonable amount of work. Although the thesis has identified few features that are present in artificial intelligence models used in commercial monitoring tools, no comparison with different methods or products has been conducted. Also, the models or analyzes built during the thesis, which deal with the functionality and suitability of syslog-data and monitoring system event-data for processing datasets, have not been compared to commercial alternatives. Several clear findings and models have been achieved in the thesis and exploitation will come to be considered in the future.