Dissertação
Anomaly Detection and Classification for Streaming Data EVALUATED
As transacções diárias das empresas são processadas por serviços de informação. A ligação com os sistemas de inteligência operacional permite que essas transacções sejam efectuadas de forma eficiente, sem que ocorra perda de informação. Estes sistemas geram milhões de dados em tempo real, dificultando quer o seu armazenamento quer a sua análise. É então importante desenvolver metodologias que consigam processar esse volume de dados em tempo útil, transformando-os em informações válidas. Nesta dissertação, dispomos de dados relativos a processos relacionados com pedidos de serviços internos de uma empresa. Especificamente, quando um processo termina, um ficheiro de registo é produzido, contendo um conjunto de características sobre o processo. Durante o processamento de um pedido podem ocorrer diversos fenómenos anómalos, o que se reflecte no seu registo, que terá características diferentes de um pedido não anómalo. O grande volume de registos gerado (cerca de 2.5 GB diários) impossibilita a um humano reconhecer eficientemente todas essas anomalias. É neste âmbito que se insere o presente projecto: desenvolvimento de métodos que permitam inserir no sistema um procedimento automático de detecção e posterior classificação de anomalias. Com esse objectivo, desenvolvemos um procedimento para detecção e classificação de anomalias que tem em conta as características operacionais do sistema. A detecção é baseada na suposição de a distribuição dos pedidos entre os servidores que os processam ser uniforme. Após a intervenção de um especialista para inicialmente distinguir as anomalias dos falsos alarmes, desenvolvemos um método de classificação, permitindo ao sistema classificar automaticamente o evento potencialmente anómalo detectado.
dezembro 14, 2018, 14:0
Documentos da dissertação ainda não disponíveis publicamente
Orientação
