Modern problems of anomaly identification in Enterprise Systems

Huk Nataliia; Mitikov Nikolay

doi:10.34185/1562-9945-5-154-2024-15

Автор(и)

Huk Nataliia
Mitikov Nikolay

DOI:

https://doi.org/10.34185/1562-9945-5-154-2024-15

Ключові слова:

ідентифікація аномалій, корпоративні системи, знімки пам'яті, оптимізація продуктивності, виявлення проблем, машинне навчання, профілювання коду, алгоритми оп-тимізації, моніторинг систем, розподілені системи.

Анотація

У сучасних корпоративних системах зростаюча складність і масштаби програмного забезпечення створюють нові виклики для підтримки їх надійної та стабільної роботи. Одним з критичних аспектів є ідентифікація аномалій, які можуть призвести до збоїв у ро-боті систем, втрати даних або зниження продуктивності. Виявлення таких аномалій на ранніх етапах є важливою задачею для забезпечення безперебійного функціонування підприємства. Метою цієї публікації є наочно описати наявні виклики, складність програмних систем, непередбачуваність виникнення збоїв, унікальність кожної окремої системи та немож-ливість запису усієї необхідної інформації для знаходження першопричини. Одним з ефективних методів діагностики аномалій є аналіз знімків пам'яті (memory dumps). Цей підхід дозволяє отримати детальний стан системи на момент виникнення помилки або аномальної поведінки, що значно спрощує процес виявлення першопричин. Проте, сучасні си-стеми працюють у складних умовах з величезними обсягами даних, тому класичні підходи до аналізу часто виявляються недостатньо ефективними. У даній статті розглядаються сучасні проблеми ідентифікації аномалій у роботі корпора-тивних систем за допомогою аналізу знімків пам'яті, аналізуються методи та інструмен-ти, що використовуються для цього завдання, та обговорюються можливі напрями їх по-дальшого розвитку.

Посилання

Mitikov M., Huk N. Review of methods for identifying and analysing performance problems in software: approaches, challenges and prospects // Issues of Applied Mathematics and Mathematical Modelling [Text]: a collection of scientific papers / edited by O.M. Kiseleva (ed.) [and others.] - Dnipro, 2023. - Issue 23. - pp. 171 - 178. doi: 10.15421/322318

Mitikov M., Guk N. Review of methods and tools for system analysis of software performance // Mathematical and software of intelligent systems (MPIS-2023): Abstracts of the XXI International Scientific and Practical Conference, Dnipro, 22-24 November 2023 / Edited by O.M. Kiselova - Dnipro: DNU, 2023. 213 - 214 p.

Mitikov M., Guk N. Information technology for diagnosing excessive memory usage based on the analysis of memory snapshots // Modern information and communication technologies in trans-port, industry and education: Theses of the XVII International Scientific and Practical Conference (Dnipro, 13-14 December 2023): USUNT, 2023. - p. 32.

Louridas P. Static code analysis / P. Louridas. // IEEE Software. – 2006. –

Vol. 23, no. 4. – С. 58–61, doi: 10.1109/MS.2006.114.

Machine Learning for Anomaly Detection: A Systematic Review / A.B.Nassif, M.A. Talib, Q. Nasir, F.M. Dakalbab. // IEEE Access. – 2021. – Vol. 9. – С. 78658–78700. doi: 10.1109/ACCESS.2021.3083060.

Smart detection in Application Insights [Електронний ресурс] / AbbyMSFT, Kennedy-DenMSFT, AaronMaxwell, v-jbasden // Microsoft. – 2024. – Режим доступу до ресурсу: https://learn.microsoft.com/en-us/azure/azure-monitor/alerts/proactive-diagnostics.

Weninger M. Analyzing Data Structure Growth Over Time to Facilitate Memory Leak Detection / M. Weninger, E. Gander, H. Mössenböck. // In Proceedings of the 2019 ACM/SPEC International Conference on Performance Engineering (ICPE '19). – 2019. – С. 273–284. doi: 10.1145/3297663.3310297.

Veasey T. Anomaly Detection in Application Performance Monitoring Data / T. Veasey, S. Dod-son. // International Journal of Machine Learning. – 2014. – Vol. 4, no. 2. – С. 120–126. doi: 10.7763/IJMLC.2014.V4.398.

Deep Learning for Anomaly Detection in Time-Series Data: Review, Analysis, and Guidelines / K.Choi, J. Yi, C. Park, S. Yoon. // IEEE. – 2021. – Vol. 9. – С. 120043–120065. doi: 10.1109/ACCESS.2021.3107975.