Unsupervised anomaly detection su metriche di performance di application server = Unsupervised anomaly detection on application server's performance metrics

Con il termine “Anomaly detection” si intendono tutte quelle tecniche di data analytics volte ad individuare comportamenti o caratteristiche inattese all’interno di un insieme di dati; nel caso specifico di questa tesi i dati analizzati sono metriche di performance di un server weblogic; un application server sviluppato da Oracle che permette di eseguire applicazioni web aziendali. Le metriche rappresentano il variare di alcuni parametri di sistema nel tempo, quali la percentuale di memoria occupata, il numero di connessioni aperte o il numero di richieste ricevute. Questi tipi di dati vengono definiti serie temporali e hanno una serie di proprietà interessanti, ad esempio il trend e la stagionalità, che possono essere sfruttati per fare assunzioni sul comportamento normale della serie stessa. L’obiettivo della ricerca è quello di sviluppare dei modelli che sfruttando le caratteristiche matematiche delle serie temporali e alcuni modelli di machine learning già consolidati, siano in grado di rilevare la presenza di anomalie all’interno delle metriche di performance. L’interesse nello sviluppare questi modelli sta nel fatto che riuscire ad identificare le anomalie in maniera automatica e soprattutto non supervisionata (ovvero senza una conoscenza pregressa sul fatto che in un dato intervallo di tempo si sia verificata un’anomalia o meno) sarebbe molto vantaggioso per chi si occupa della manutenzione del server, dato che si potrebbe intervenire in tempi rapidissimi in caso di problemi, prima che diventino bloccanti e causino danni economici.