Abstract
Дослідження фокусується на автоматизації виявлення аномальних станів у складних інформаційних системах через інтелектуальний аналіз напівструктурованих журналів подій. Сучасна цифрова інфраструктура генерує масивні потоки даних системних подій, що потребує впровадження методів ідентифікації нетипової поведінки в умовах апріорної невизначеності. Розроблено адаптивний метод ідентифікації аномалій, у якому поєднано онлайн-шаблонізацію повідомлень журналів подій та багатокритеріальне статистичне оцінювання їх інформативності. Дослідження ґрунтується на вдосконаленому підході до структурування повідомлень за допомогою алгоритму Drain, що перетворює текстові записи на формалізовані послідовності ідентифікаторів шаблонів. Вводиться концепція «зваженої шаблонізації», де вагові коефіцієнти подій залежать від їхньої глобальної частоти за аналогією до принципів TF–IDF (Term Frequency–Inverse Document Frequency) у галузі обробки природної мови. У розробленому алгоритмі застосовується два типи індикаторів: інтегральний показник для акумулювання появи нових та вибухоподібних подій та зважений індекс з логарифмічним згладжуванням для підсилення внеску рідкісних критичних шаблонів. До того ж можна ефективно відокремлювати діагностично значущі сигнали від інформаційного шуму типових системних повідомлень. Отже, система забезпечує високу селективність виявлення без необхідності попереднього розмічання даних. Експериментальне тестування на відкритих наборах даних BGL, Spirit і Thunderbird підтвердило переваги методу над класичними алгоритмами кластеризації K-means та базовим статистичним аналізом. Із застосуванням зваженого показника підвищується значення F1-міри в середньому на 15–20 % зі збереженням стійкості до дрейфу форматів журналів подій. У разі аналізу ROC-кривих (Receiver Operating Characteristic) продемонстровано показник AUC (Area Under Curve) на рівні 0,86, що свідчить про високу здатність моделі розрізняти нормальні та аномальні стани. Підготовлено алгоритмічне забезпечення для систем моніторингу в режимі реального часу. Майбутні дослідження будуть спрямовані на інтеграцію цих індикаторів у нейромережеві моделі прогнозування збоїв для переходу до проактивного керування ІТ-інфраструктурою.