Mit dem Einsatz von Künstlicher Intelligenz (KI) für den IT-Betrieb suggeriert AIOps (”Artificial
Intelligence for IT Operations”) einen vielversprechenden Ansatz zur Überwachung, Optimierung
und Automatisierung komplexer betrieblicher Prozesse in IT-Organisationen. AIOps-Plattformen
nutzen statistische Methoden, maschinelles Lernen (ML) und andere fortschrittliche Analysetechnologien, um sich abzeichnende Probleme zu erkennen und diese proaktiv und automatisiert zu
beheben.
Forschungsbeiträge zu AIOps sind verstreut und unorganisiert. Deshalb gestaltet sich die Entdeckung und der Vergleich von bereits entwickelten AIOps-Modellen als nicht praktikabel. Das Ziel
der vorliegenden Arbeit liegt darin, Hauptmerkmale, Gemeinsamkeiten und Unterschiede verschiedener Modelle aufzuzeigen und einen Ansatz für die Validierung dieser Modelle aufzustellen. Zu
diesem Zweck wird ein systematisches Literaturreview durchgeführt und die Möglichkeiten zur Validierung von AIOps-Modellen anhand einer Einzelfallstudie, insbesondere aus Gesichtspunkten des
IT-Service-Managements (ITSM), näher beleuchtet.
Somit verschat die vorliegende Arbeit einen Literaturüberblick zu implementierten AIOps-Modellen
und stellt einen Ansatz zur Validierung, die auf drei Ebenen erfolgt, vor. Es stellt sich heraus, dass
insbesondere Kennzahlen aus dem Problem-Management für die Validierung des proaktiven Vorgehens von AIOps geeignet sind.:1. Einleitung
2. Theoretische Grundlagen
2.1. Künstliche Intelligenz
2.2. Maschinelles Lernen
2.3. Datenaufbereitung
2.4. Zeitreihendaten
2.5. DevOps
2.6. Anomalien
2.7. IT-Service-Management
2.8. Automatisierung in der IT
3. Künstliche Intelligenz für den IT-Betrieb
3.1. Definition von AIOps
3.2. Relevanz von AIOps
3.3. Ziele von AIOps
3.4. Komponenten und Anwendungsfälle von AIOps
3.5. Verwandte Forschungsarbeiten
4. Methodik
4.1. Systematische Übersichtsarbeit
4.1.1. Planung
4.1.2. Formulierung
4.1.3. Suche und Auswahl
4.2. Fallstudie
5. Ergebnisse der Literaturübersicht
5.1. Statistische Auswertung der Ergebnisse
5.2. Verschiedene Ansätze von AIOps-Modellen
5.3. Interpretation und Zusammenfassung der Ergebnisse
6. Validierung und Bewertung von AIOps-Modellen
6.1. Hintergrund
6.2. Ein motivierendes Beispiel
6.3. Ein neuer Ansatz zur Validierung von AIOps-Modellen
6.4. Demonstratives Beispiel
6.5. Ausblick
7. Limitationen
8. Zusammenfassung und Fazit
A. Anhang
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:79263 |
| Date | 27 May 2022 |
| Creators | Pavlek, Antonio |
| Contributors | Hochschule für Technik, Wirtschaft und Kultur Leipzig |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | German |
| Detected Language | German |
| Type | info:eu-repo/semantics/acceptedVersion, doc-type:bachelorThesis, info:eu-repo/semantics/bachelorThesis, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0024 seconds