Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс: http://elar.urfu.ru/handle/10995/140502
Название: Использование моделей глубокого обучения для обнаружения аномалий в логах в процессе разработки программного обеспечения : магистерская диссертация
Другие названия: Utilizing deep learning models to detect log anomalies during software development
Авторы: Дивенко, А. С.
Divenko, A. S.
Научный руководитель: Чернышов. Ю. Ю.
Chernyshov, Yu. Yu.
Дата публикации: 2024
Издатель: б. и.
Библиографическое описание: Дивенко, А. С. Использование моделей глубокого обучения для обнаружения аномалий в логах в процессе разработки программного обеспечения : магистерская диссертация / А. С. Дивенко ; Уральский федеральный университет имени первого Президента России Б. Н. Ельцина, Институт радиоэлектроники и информационных технологий-РТФ, Кафедра информационных технологий и систем управления. — Екатеринбург, 2024. — 53 с. — Библиогр.: с. 49-52 (27 назв.).
Аннотация: Данная работа посвящена применению моделей глубокого обучения для решения этой проблемы в процессе разработки программного обеспечения. Разработан стенд для имитации процесса разработки ПО, на котором были сгенерированы синтетические данные логов из различных сервисов. Объединение разнородных логов позволило создать реалистичный набор данных со скрытыми зависимостями для более сложной задачи поиска аномалий. На созданном наборе данных были применены модели глубокого обучения DeepLog, LogAnomaly и LogBERT. Для каждой модели выполнено обучение и оценка эффективности обнаружения аномалий на тестовой выборке. Разработанный стенд может усложняться и использоваться для дальнейших исследований в области применения глубокого обучения к задаче поиска аномалий в логах в процессе разработки ПО.
This paper focuses on the application of deep learning models to address this problem in the software development. A simulation framework was developed to imitate the software development by generating synthetic log data from different services. Combining heterogeneous logs allowed the creation of a realistic dataset with hidden dependencies for a more complex anomaly search task. DeepLog, LogAnomaly and LogBERT deep learning models were applied on the created dataset. For each model, training and evaluation of anomaly detection performance on a test sample was performed. The developed framework can be extended and used for further research in the application of deep learning to the task of searching for anomalies in logs during software development.
Ключевые слова: MASTER'S THESIS
LOG ANOMALIES
DEEP LEARNING MODELS
SOFTWARE DEVELOPMENT
SYNTHETIC DATA
МАГИСТЕРСКАЯ ДИССЕРТАЦИЯ
АНОМАЛИИ В ЛОГАХ
МОДЕЛИ ГЛУБОКОГО ОБУЧЕНИЯ
РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ
СИНТЕТИЧЕСКИЕ ДАННЫЕ
URI: http://elar.urfu.ru/handle/10995/140502
Условия доступа: Предоставлено автором на условиях простой неисключительной лицензии
Текст лицензии: http://elar.urfu.ru/handle/10995/31613
Располагается в коллекциях:Магистерские диссертации

Файлы этого ресурса:
Файл Описание РазмерФормат 
m_th_a.s.divenko_2024.pdf1,34 MBAdobe PDFПросмотреть/Открыть


Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.