Analyzing event logs to discover process models and to detect anomalies in real-time

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Zhu, Tao
dc.contributor.advisor Forsbach Valle, Rafael
dc.contributor.author Vartiainen, Teemu
dc.date.accessioned 2017-10-30T08:00:31Z
dc.date.available 2017-10-30T08:00:31Z
dc.date.issued 2017-10-04
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/28524
dc.description.abstract Diagnostics and real-time data is crucial to running modern software operations. Different stakeholders need different granularities of information displayed in a quick and informative fashion. In addition, software operations change rapidly which makes it necessary for the diagnostic systems to be able to adapt quickly. In this thesis, I present a method to analyze past event logs to discover the underlying process models; I describe methods to combine these models with real-time information to create visualizations that are useful to even non-technical users; I leverage the models to show the users predictions about future events; I explore the possibilities of using machine learning to improve the accuracy of these predictions; and, I examine how the models can be used in conjunction with real-time events to automatically notify relevant people about any faults or anomalies in a system. I developed a system fulfilling the requirements of this project that was released to production. I tested the machine learning approach against a simple statistical model and, based on the testing, the machine learning models did not significantly increase the prediction accuracy in the data sets used. Despite the lack of benefits of the machine learning component, the system was successful and valuable to the end-users. en
dc.description.abstract Diagnostiikka ja reaaliaikainen informaation on elintärkeää nykyaikaisten ohjelmistoprojektien hallinnassa. Projektin eri osapuolilla on erilaisia tarpeita tiedon koostamiseen ja sen esittämiseen. Toisille yksinkertainen tieto on tärkeää, toisia suuret suuntaviivat hyödyttävät enemmän. Lisäksi ohjelmisto-operaatiot muuttuvat nopeasti, ja diagnostiikan on sopeuduttava muutoksiin nopeasti. Tässä diplomityössä esittelen tavan analysoida menneitä tapahtumalokitietoja niiden taustalla olevien prosessien mallintamiseksi. Kuvailen tapoja käyttää näitä malleja reaaliaikaisen informaation visualisointiin tavalla, josta on hyötyä jopa maallikkokäyttäjille. Käytän malleja hyväksi näyttääkseni käyttäjille ennusteita tulevista tapahtumista. Kokeilen myös, mikäli ennustusten tarkkuutta voisi parantaa hyödyntämällä koneoppimista. Lopuksi tarkastelen kuinka malleja voi hyödyntää reaaliaikaisten tapahtumien analysoinnissa mahdollistaen automaattisten virheilmoitusten lähettämisen niistä kiinnostuneille ihmisille. Projektin aikana kehitin järjestelmän joka täytti projektin alussa määritellyt vaatimukset. Tutkin koneoppimisen tehokkuutta verraten sitä yksinkertaisiin tilastollisiin malleihin. Testauksessa koneoppiminen ei merkittävästi lisännyt ennustusten tarkkuutta. Tästäkin huolimatta järjestelmä vastasi sille asetettuja tarpeita ja se julkaistiin loppukäyttäjille, jotka kokivat projektin onnistuneeksi ja arvokkaaksi. fi
dc.format.extent 54 + 7
dc.format.mimetype application/pdf en
dc.language.iso en en
dc.title Analyzing event logs to discover process models and to detect anomalies in real-time en
dc.title Tapahtumalokien analysointi prosessien mallintamiseen ja poikkeavuuksien havaitsemiseen reaaliajassa fi
dc.type G2 Pro gradu, diplomityö fi
dc.contributor.school Perustieteiden korkeakoulu fi
dc.subject.keyword process discovery en
dc.subject.keyword machine learning en
dc.subject.keyword event logs en
dc.subject.keyword visualization en
dc.identifier.urn URN:NBN:fi:aalto-201710307370
dc.programme.major Computer Science fi
dc.programme.mcode SCI3042 fi
dc.type.ontasot Master's thesis en
dc.type.ontasot Diplomityö fi
dc.contributor.supervisor Vuorimaa, Petri
dc.programme Master’s Programme in Computer, Communication and Information Sciences fi
local.aalto.electroniconly yes
local.aalto.openaccess yes


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse

My Account