Questa tesi ha l’obiettivo di individuare/rilevare anomalie di una base dati attraverso modelli di tipo non supervisionato partendo da un dataset di indicatori facenti riferimento alla performance di un database. Il lavoro è stato svolto all’interno dell’azienda di consulenza informatica Mediamente Consulting srl, in particolare nella business unit di Infrastruttura Tecnologica, nella quale sono create e gestite oltre che monitorate strutture informatiche. Al giorno d’oggi l’anomaly detection ricopre un vasto ambito di ricerca del machine learning, viste le numerose possibilità di applicazione in settori come, ad esempio, biologia, prevenzione di frodi, riconoscimento oggetti, analisi di immagini. Il progetto si basa sull’idea di utilizzare modelli di machine learning in supporto agli odierni metodi di monitoraggio di un database; il percorso, intrapreso già da altri lavori di tesi sviluppati nella stessa azienda, prosegue cercando di trovare dei modelli in grado di distinguere gli istanti in cui la base dati non è performante/status di salute.