Fault analysis in reactive systems using log data

Abstract

Die Identifizierung der Ursachen von Systemausfällen ist ein wichtiger Bestandteil der Entwicklung und Wartung von reaktiven Systemen. Aufgrund der Komplexität solcher Systeme kann dies eine sehr anspruchsvolle Aufgabe sein. Logdaten können bei der Analyse von Fehlern helfen, aber die Unstrukturiertheit dieser Daten sowie ihre schiere Menge machen eine manuelle Analyse oft unmöglich. Automatisierte Verfahren zur Analyse von Logdaten, um die Ursachen von Systemausfällen zu finden, sind daher notwendig. Ich entwickle vier verschiedene solche Methoden, die Hidden Markov Models, Supervised Learning, Automata Learning und eine Visualisierung verwenden, die ich einen "Weighted Sequence Tree"nenne. Ich bewerte die Leistung dieser Methoden anhand von drei verschiedenen Datensätzen, von denen zwei synthetische Datensätze mit unterschiedlichen Eigenschaften sind und einer reale Daten von einem Industriepartner umfasst.

Identifying the causes of system failures is an important part of the development and maintenance of reactive systems. Due to the complexity of such systems, this can be a very challenging task. Log data can help analyze failures, but the unstructured nature of this data, as well as its sheer volume, often makes manual analysis infeasible. Automated methods for analyzing log data to find the causes of system failure are therefore necessary. I develop four different such methods, which respectively employ hidden Markov models, supervised learning, automata learning, and a visualization I call a "weighted sequence tree". I evaluate the performance of these methods on three different datasets, of which two are synthetic datasets with different properties, and one is real-life data from an industry partner.