في عالم التكنولوجيا الحديثة، تعتمد المؤسسات بشكل متزايد على الخدمات السحابية، مما يضغط على ضرورة الحفاظ على موثوقية وفعالية هذه الأنظمة. يعد الكشف عن الانحرافات وتحديد الأماكن (ADL) أمرًا حيويًا في تحقيق هذه الأهداف. ومع ذلك، كانت التطورات الأخيرة في هذا المجال تركز غالبًا على بيانات القياس والسجلات، تاركةً بيانات الأحداث بدون استكشاف أو تطوير. لتجاوز هذه الفجوة، تم تقديم EventADL، أول إطار عمل مفتوح يركز على الكشف عن الانحرافات المبنية على الأحداث في أنظمة الخدمات السحابية.

يعتمد تصميم EventADL على تحليل شامل لـ520 حادثة واقعية، مما يتيح لنا فهم كيفية ظهور الانحرافات وأسبابها الجذرية من خلال بيانات الأحداث. يتكون EventADL من ثلاث مراحل رئيسية: التدريب غير المتصل، الكشف عن الانحرافات في الوقت الفعلي، وتحديد الأسباب الجذرية.

- **مرحلة التدريب**: يتعلم EventADL في البداية نماذج دلالات الأحداث (Event Semantic Patterns - ESPs)، التي تلتقط التفاعلات الطبيعية بين مكونات النظام باستخدام بيانات الأحداث التاريخية. بعد ذلك، يتعلم أنماط تكرار الأحداث (Event Frequency Patterns - EFPs) التي تراعي التكرار الطبيعي للنماذج المعروفة.

- **مرحلة الكشف عن الانحرافات في الوقت الفعلي**: يتم التعرف على أي بيانات في تيار الأحداث تخالف الأنماط المكتشفة بشكل كبير على أنها انحرافات.

- **مرحلة تحديد الأسباب الجذرية**: يقوم EventADL بإنشاء رسم بياني للتدخل (Intervention Graph) الذي يعكس العلاقات بين التفاعلات الأخيرة في النظام والانحرافات المكتشفة، مما يمكّن من تحديد الأسباب الجذرية تلقائيًا.

تم تصميم هذا الإطار ليعمل بكفاءة مع البيانات غير المسمّاة ليقدم انحرافات يمكن تفسيرها مع الأسباب الجذرية المناسبة. وقد أثبتت التقييمات على ثلاثة أنظمة حقيقية للخدمات السحابية وحادثتين واقعيتين أن EventADL يتفوق على الأساليب الحالية، حيث حقق درجات F1 تزيد عن 90% في الكشف عن الانحرافات ودقة تصل إلى 100% في تحديد الأسباب الجذرية ضمن أعلى ثلاث نتائج.

في عالم يعتمد بشكل متزايد على البيانات والتكنولوجيا، فإن EventADL يمثل خطوة كبيرة إلى الأمام في تعزيز الأداء والموثوقية في الخدمات السحابية. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!