Aktiven Benutzern pro Stunde in einem System über knapp 6 Wochen (blaue Linie). Dazu wurden mit Hilfe des neuronalen Netzwerks Long Short Term Memory (LSTM) die Werte der letzten Woche vorhergesagt (orange Linie).
Im Rahmen dieser Arbeit wurden die theoretischen Aspekte verschiedener Machine und Deep Learning Algorithmen zur Vorhersage in Zeitreihen analysiert. Als Grundlage für diese Analyse wurden zuerst die Eigenschaften von Zeitreihen wie zum Beispiel Trend und Saisonalität beschrieben und weitere Herausforderungen eruiert. Mit diesem Wissen konnten detaillierte Untersuchungen von mehreren Algorithmen und Modellen durchgeführt werden. Zu den analysierten Algorithmen zählen der Moving Average, SARIMA und Exponential Smoothing. Weiter wurden Vorhersagen mit verschiedenen neuronalen Netzwerken (LSTM, Auto Encoder und Attention) getestet. Gestützt auf der Recherche und Evaluation wurde versucht, ein allgemeines, optimales neuronales Netzwerk zu konfigurieren, welches die Zukunft für eine Zeitreihe berechnet. Dieses stützt sich auf der Architektur eines LSTMs und Auto Encoders und wurde in die Applikationsarchitektur des Auftraggebers eingepflegt. Das neuronale Netzwerk wird mit Zeitreihenwerten aus vergangenen Wochen trainiert und ist im Stande die kommende Woche vorherzusagen.
Sprache: Java, Deep Learning Library: https://deeplearning4j.org/
Die Firma IC information company AG entwickelt ein Software-Werkzeug, genannt CuriX. CuriX ist eine Veredelungskomponente für gängige IT-Monitoring Tools wie PRTG1, welches Daten in Form von numerischen und zeitabhängigen Werten, sogenannte Key Performance Indikatoren sammelt und auswertet. CuriX wertet die erfassten Key Performance Indikatoren in einem mehrstufigen Verfahren aus und prädiziert kritische Systemzustände. Die einzelnen Schritte in dem genannten Verfahren sind in Form von Microservices implementiert und lauten wie folgt:
Das Ziel ist es, ein neuronales Netzwerk zu implementieren, um bevorstehende Schwellwertverletzungen in der IT-Infrastruktur zu detektieren und in einer verständlichen Weise darzustellen.
Unsere Arbeit hat aufgezeigt, dass eine Vorhersage mittels neuronalen Netzwerks auf einer domänenspezifischen Zeitreihe möglich ist. Anhand von Schwellwertverletzungen, können damit frühzeitig kritische Systemzustände aufgedeckt und entsprechende Massnahmen getroffen werden.
Projektdauer: 7 Monate
Aufwand in Personenstunden: ~720
Teamgrösse: 2 Personen
IC information company AG
Im Wannenboden 2
CH-4133 Pratteln
https://www.ic-information.com/
Sebastian Fernandez und Claudio Schneider
Prof. Daniel Jossen, daniel.jossen@fhnw.ch
