توضیحات
ABSTRACT
In recent years, IT service providers have rapidly achieved an automated service delivery model. Software monitoring systems are designed to actively collect and signal event occurrences and, when necessary, automatically generate incident tickets. Repeating events generate similar tickets, which in turn have a vast number of repeated problem resolutions likely to be found in earlier tickets. In our work, we develop techniques to recommend appropriate resolution for incoming events by making use of similarities between
the events and historical resolutions of similar events. Built on the traditional K Nearest Neighbor algorithm, our proposed algorithms take into account false positives often generated by monitoring systems. An additional penalty is incorporated into the algorithms to control the number of misleading resolutions in the recommendation results. Moreover, as the effectiveness of the K Nearest Neighbor algorithm heavily relies on the underlying similarity measurement, we proposed two other approaches to significantly improve our recommendation with respect to resolution relevance. One approach uses topic-level features to incorporate resolution information into the similarity measurement; and the other uses metric learning to learn a more effective similarity measure. Extensive empirical evaluations on three ticket data sets demonstrate the effectiveness and efficiency of our proposed methods.
INTRODUCTION
The competitive business climate and the complexity of service environments dictate the need for efficient and costeffective service delivery and support. They are largely achieved through service-providing facilities that collaborate with system management tools, combined with automation of routine maintenance procedures, such as problem detection, determination and resolution for the service infrastructure , . Automatic problem detection is typically realized by system monitoring software, such as IBM Tivoli Monitoring and HP OpenView . Monitoring continuously captures the events and generates incident tickets when alerts are raised. Deployment of monitoring solutions is a first step towards fully automated delivery of a service. Automated problem resolution, however, is a hard problem. With the development of e-commerce, a substantial amount of research has been devoted to recommendation systems. These recommendation systems determine items or products to be recommended based on prior behavior of the user or similar users and on the item itself.
چکیده
در سال های اخیر، ارائه دهندگان خدمات فناوری اطلاعات به سرعت به یک مدل ارائه خدمات خودکار دست یافته اند. سیستم های نظارت بر نرم افزار طراحی شده اند که به طور فعال رویدادهای رویداد را جمع آوری و سیگنال می دهند و در صورت لزوم به طور خودکار بلیط های حادثه ای تولید می کنند. حوادث تکراری، بلیط های مشابهی را تولید می کنند که به نوبه خود تعداد زیادی از قطعنامه های مکرر را که احتمالا در بلیط های قبلی یافت می شود، می دهد. در کار ما، ما تکنیک هایی را برای توصیه های مناسب برای حوادث ورودی، با استفاده از شباهت های بین حوادث و قطعنامه های تاریخی رویدادهای مشابه، ارائه می کنیم. الگوریتم نزدیکترین همسایه سنتی ساخته شده، الگوریتم های پیشنهادی ما به مثابه کاستی هایی که اغلب از طریق سیستم های نظارت تولید می شوند، مورد توجه قرار می گیرد. یک مجازات اضافی در الگوریتم ها برای کنترل تعداد قطعنامه های گمراه کننده در نتایج توصیه گنجانده شده است. علاوه بر این، به عنوان اثربخشی الگوریتم K نزدیکترین همسایگی به شدت بر اساس اندازه گیری تشابه اساسی متکی است، ما دو روش دیگر را پیشنهاد دادیم تا به طور قابل توجهی توصیه ما را در رابطه با قطعنامه بهبود بخشیم. یک رویکرد از ویژگی های سطح موضوعی برای ترکیب اطلاعات تفکیک شده با اندازه گیری شباهت استفاده می کند. و دیگر از یادگیری متریک برای یادگیری اندازه گیری شباهت بیشتر استفاده می کند. ارزیابی تجربی گسترده در سه مجموعه داده های بلیط نشان دهنده اثربخشی و کارایی روش های پیشنهادی ما است.
مقدمه
محیط کسب و کار رقابتی و پیچیدگی محیط خدمات، نیازمند ارائه و پشتیبانی خدمات کارآمد و کارآمد هستند. آنها عمدتا از طریق تأسیسات خدماتی که با ابزارهای مدیریت سیستم همکاری می کنند، همراه با خودکار سازی روش های تعمیر و نگهداری روزمره، مانند تشخیص مشکل، تعیین و حل و فصل برای زیرساخت های خدمات، به دست می آیند. تشخیص مشکل خودکار به طور معمول توسط نرم افزار نظارت بر سیستم نظیر IBM Tivoli Monitoring و HP OpenView انجام می شود. نظارت به طور مداوم وقایع را به تصویر می کشد و بلیط های حادثه را هنگامی که هشدارها مطرح می شوند، ایجاد می کند. استقرار راهکارهای نظارت، اولین قدم برای انتقال کامل خدمات به صورت خودکار است. با این وجود، حل مسئله به صورت خودکار مشکل بزرگی است. با توسعه تجارت الکترونیک، تعداد قابل توجهی از تحقیقات به سیستم های توصیه شده اختصاص یافته است. این سیستم های توصیه شده، اقلام یا محصولات را تعیین می کنند که بر اساس رفتار قبلی کاربر یا کاربران مشابه و بر روی مورد خود توصیه می شود.
Year: 2016
Publisher : IEEE
By : Wubai Zhou,Liang Tang, Chunqiu Zeng, Tao Li, Larisa Shwartz, and Genady Ya. Grabarnik
File Information: English Language/ 14 Page / size: 1.87 KB
Only site members can download free of charge after registering and adding to the cart
سال : 1395
ناشر : IEEE
کاری از : Wubai ژو، لیانگ تانگ، Chunqiu زنگ، Tao لی، لاریسا Shwartz، و Genady Ya. گربرنیک
اطلاعات فایل : زبان انگلیسی / 14صفحه / حجم : KB 1.87
نقد و بررسیها
هنوز بررسیای ثبت نشده است.