論文の概要: AIOps Solutions for Incident Management: Technical Guidelines and A Comprehensive Literature Review
- arxiv url: http://arxiv.org/abs/2404.01363v1
- Date: Mon, 1 Apr 2024 17:32:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-03 20:56:59.848848
- Title: AIOps Solutions for Incident Management: Technical Guidelines and A Comprehensive Literature Review
- Title（参考訳）: インシデント管理のためのAIOpsソリューション:技術ガイドラインと総合文献レビュー
- Authors: Youcef Remil, Anes Bendimerad, Romain Mathonat, Mehdi Kaytoue,
- Abstract要約: 本研究では,AIOpsの用語と分類について提案し,構造化されたインシデント管理手順を確立し,AIOpsフレームワークを構築するためのガイドラインを提供する。
目標は、インシデント管理のためのAIOpsの技術的および研究的な側面の包括的なレビューを提供することであり、知識を構造化し、ギャップを特定し、この分野における将来の発展の基礎を確立することを目的としている。
- 参考スコア（独自算出の注目度）: 0.29998889086656577
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The management of modern IT systems poses unique challenges, necessitating scalability, reliability, and efficiency in handling extensive data streams. Traditional methods, reliant on manual tasks and rule-based approaches, prove inefficient for the substantial data volumes and alerts generated by IT systems. Artificial Intelligence for Operating Systems (AIOps) has emerged as a solution, leveraging advanced analytics like machine learning and big data to enhance incident management. AIOps detects and predicts incidents, identifies root causes, and automates healing actions, improving quality and reducing operational costs. However, despite its potential, the AIOps domain is still in its early stages, decentralized across multiple sectors, and lacking standardized conventions. Research and industrial contributions are distributed without consistent frameworks for data management, target problems, implementation details, requirements, and capabilities. This study proposes an AIOps terminology and taxonomy, establishing a structured incident management procedure and providing guidelines for constructing an AIOps framework. The research also categorizes contributions based on criteria such as incident management tasks, application areas, data sources, and technical approaches. The goal is to provide a comprehensive review of technical and research aspects in AIOps for incident management, aiming to structure knowledge, identify gaps, and establish a foundation for future developments in the field.
- Abstract（参考訳）: 現代のITシステムの管理は、広範なデータストリームを扱う上で、スケーラビリティ、信頼性、効率性を必要とする、ユニークな課題を生んでいる。
従来の手法は手動のタスクやルールベースのアプローチに依存しており、ITシステムによって生成された大量のデータとアラートには非効率であることが証明されている。
AIOps(Artificial Intelligence for Operating Systems)がソリューションとして登場し、マシンラーニングやビッグデータといった高度な分析を活用してインシデント管理を強化している。
AIOpsはインシデントを検出して予測し、根本原因を特定し、治癒行動を自動化するとともに、品質を改善し、運用コストを削減する。
しかし、その可能性にもかかわらず、AIOpsドメインはまだ初期段階にあり、複数のセクターに分散化され、標準化された規約が欠如している。
研究と産業への貢献は、データ管理、ターゲット問題、実装の詳細、要件、能力に関する一貫したフレームワークなしで配布される。
本研究では,AIOpsの用語と分類について提案し,構造化されたインシデント管理手順を確立し,AIOpsフレームワークを構築するためのガイドラインを提供する。
また、インシデント管理タスク、アプリケーション領域、データソース、技術的アプローチなどの基準に基づいてコントリビューションを分類する。
目標は、インシデント管理のためのAIOpsの技術的および研究的な側面の包括的なレビューを提供することであり、知識を構造化し、ギャップを特定し、この分野における将来の発展の基礎を確立することを目的としている。
関連論文リスト
- A Theoretical Framework for AI-driven data quality monitoring in high-volume data environments [1.2753215270475886]
本稿では,高ボリューム環境におけるデータ品質維持の課題に対処するために,AIによるデータ品質監視システムに関する理論的枠組みを提案する。
本稿では,ビッグデータのスケール,速度,多様性の管理における従来の手法の限界について検討し,高度な機械学習技術を活用した概念的アプローチを提案する。
主なコンポーネントは、インテリジェントデータ取り込み層、適応前処理機構、コンテキスト認識機能抽出、AIベースの品質評価モジュールなどである。
論文 参考訳（メタデータ） (2024-10-11T07:06:36Z) - A Survey of AIOps for Failure Management in the Era of Large Language Models [60.59720351854515]
本稿では,LLM時代の障害管理のためのAIOps技術に関する包括的調査を行う。
これには、障害管理のためのAIOpsタスクの詳細な定義、AIOpsのデータソース、AIOpsに採用されているLLMベースのアプローチが含まれている。
論文 参考訳（メタデータ） (2024-06-17T05:13:24Z) - The Foundations of Computational Management: A Systematic Approach to
Task Automation for the Integration of Artificial Intelligence into Existing
Workflows [55.2480439325792]
本稿では,タスク自動化の体系的アプローチである計算管理を紹介する。
この記事では、ワークフロー内でAIを実装するプロセスを開始するための、ステップバイステップの手順を3つ紹介する。
論文 参考訳（メタデータ） (2024-02-07T01:45:14Z) - Progressing from Anomaly Detection to Automated Log Labeling and
Pioneering Root Cause Analysis [53.24804865821692]
本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。
この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
論文 参考訳（メタデータ） (2023-12-22T15:04:20Z) - On-Premise AIOps Infrastructure for a Software Editor SME: An Experience
Report [0.3277163122167433]
AIOpsの概念は、ビッグデータと機械学習機能を使用した予測メンテナンスを強化するために登場した。
本稿では,オープンソースツールを活用したオンプレミスAIOpsソリューションの実現の可能性を検討する。
論文 参考訳（メタデータ） (2023-08-22T06:47:36Z) - AI for IT Operations (AIOps) on Cloud Platforms: Reviews, Opportunities
and Challenges [60.56413461109281]
IT運用のための人工知能(AIOps)は、AIのパワーとIT運用プロセスが生成するビッグデータを組み合わせることを目的としている。
我々は、IT運用活動が発信する重要なデータの種類、分析における規模と課題、そしてどのように役立つかについて深く議論する。
主要なAIOpsタスクは、インシデント検出、障害予測、根本原因分析、自動アクションに分類します。
論文 参考訳（メタデータ） (2023-04-10T15:38:12Z) - An Ontology for Defect Detection in Metal Additive Manufacturing [3.997680012976965]
産業用 4.0 アプリケーションのキーは、データ統合とセマンティック相互運用性の問題に対処できる制御システムを開発することである。
金属添加物製造文献から知られているプロセス誘起欠陥の分類について述べる。
我々の知識基盤は、さらなる欠陥分析用語を付加することにより、付加的な製造能力を向上させることを目的としている。
論文 参考訳（メタデータ） (2022-09-29T13:35:25Z) - How Can Subgroup Discovery Help AIOps? [0.0]
サブグループディスカバリがAIOpsにどのように役立つかを研究する。
このプロジェクトには、フランスのソフトウェアエディタであるInfologicalのデータマイニングの研究者と実践者の両方が含まれる。
論文 参考訳（メタデータ） (2021-09-10T14:41:02Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z) - Artificial Intelligence for IT Operations (AIOPS) Workshop White Paper [50.25428141435537]
AIOps(Artificial Intelligence for IT Operations)は、マシンラーニング、ビッグデータ、ストリーミング分析、IT運用管理の交差点で発生する、新たな学際分野である。
AIOPSワークショップの主な目的は、アカデミアと産業界の両方の研究者が集まり、この分野での経験、成果、作業について発表することです。
論文 参考訳（メタデータ） (2021-01-15T10:43:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。