Stadig flere tjenester blir digitale, og kompleksiteten i IT-systemer som støtter disse vokser voldsomt. Det er viktigere enn noen gang å overvåke disse systemene slik at ikke problemer oppstår, da stadig flere av tjenestene også støtter samfunnskritiske funksjoner.

Deteksjon av avvik i en tidsrekke. Figur: Martin Tveten

For å i det hele tatt kunne overvåke slike komplekse og distribuerte systemer, og forhindre nedetid og problemer, vil det være nødvendig å overvåke disse maskinelt, da med programvare som automatisk kan varsle om mulige problemer. Selv små avvik kan forplante seg gjennom flere systemer og applikasjoner, være seg banker og sykehus-systemer, og konsekvensene kan være katastrofale. 

Mengden av data fra disse systemene er enorme, og det er ofte stor variasjon i datatypene. For eksempel har man numeriske data, men også logger, setninger på ulike språk og kombinasjoner av tall og bokstaver. 

Prosjektmål

Målet til prosjektet er å utvikle en prototype av en løsning som automatisk og uten interaksjon kan overvåke store mengder data, selv om data kan komme fra ulike systemer og bransjer og er av forskjellige typer. Løsningen skal også kunne forutsi mulige prosesseringsproblemer for de ulike systemene som blir overvåket. 

I prosjektet vil vi 1) finne en måte å kombinere numeriske tidsrekkedata og tekst-baserte hendelseslogger for å gi innsikt i IT-systemer og varsle om potensielle problemer og deres årsak, og 2) gjøre dette helautomatisk og generelt slik at rammeverket kan tilpasses og brukes for ethvert system som har slike data. 

FoU-utfordringer som NR jobber med i prosjektet: 

– algoritmer for multivariat anonomalideteksjon fra alle tilgjengelige tidsrekkedata 

– ikke-styrt læring for hendelseslogger/tekst 

– kombinere tidsrekkedata og hendelser 

Navn: PReVENT: PRediction + eVENT

Partner: AIMS Innovation

Periode: 2021-2023

Finansieringskilde: AIMS Innovation, Forskningsrådet