توضیحات
ABSTRACT
In large scale and complex IT service environments, a problematic incident is logged as a ticket and contains the ticket summary (system status and problem description). The system administrators log the step-wise resolution description when such tickets are resolved. The repeating service events are most likely resolved by inferring similar historical tickets. With the availability of reasonably large ticket datasets, we can have an automated system to recommend the best matching resolution for a given ticket summary. In this paper, we frst identify the challenges in real-world ticket analysis and develop an integrated framework to efciently handle those challenges. The framework frst quantifes the quality of ticket resolutions using a regression model built on carefully designed features. The tickets, along with their quality scores obtained from the resolution quality quantifcation, are then used to train a deep neural network ranking model that outputs the matching scores of ticket summary and resolution pairs. This ranking model allows us to leverage the resolution quality in historical tickets when recommending resolutions for an incoming incident ticket. In addition, the feature vectors derived from the deep neural ranking model can be effectively used in other ticket analysis tasks, such as ticket classifcation and clustering. The proposed framework is extensively evaluated with a large real-world dataset.
INTRODUCTION
The prominence of efcient and cost-effective service delivery and support is undeniable in the competitive business enterprise and is critical with the growing complexity of service environments. This has motivated service-providing facilities to automate many of their tasks, including system management, and routine maintenance procedures (for instance, problem detection, determination and resolution) for the service infrastructure . The automated problem detection has been realized by some system monitoring softwares, such as HP OpenView 1 and IBM Tivoli Monitoring 2 . Such monitoring systems continuously capture system events and generate incident tickets when the alerts are triggered. A typical workflow of problem detection, determination and resolution in IT service management is prescribed by the Information Technology Infrastructure Library (ITIL) specifcation 3 and is illustrated in.
چکیده
در محدوده وسیع و پیچیده خدمات فناوری اطلاعات یک حادثه مشکوک به عنوان یک بلیط ثبت شده و شامل خلاصه بلیط (وضعیت سیستم و شرح مشکل) است. مدیران سیستم وقتی که چنین بلیط ها حل و فصل می شوند، توصیف قطعنامه گام به گام را ثبت می کنند. رویدادهای سرویس تکراری با برداشتن بلیط تاریخی مشابه، به احتمال زیاد حل می شود. با در دسترس بودن مجموعه داده های بطور قابل توجهی بزرگ، می توانیم یک سیستم خودکار داشته باشیم تا بهترین رزولوشن مطابقت را برای یک خلاصه ی بلیط مشخص کنیم. در این مقاله، چالش های موجود در تجزیه و تحلیل بلیط در دنیای واقعی را شناسایی می کنیم و یک چارچوب یکپارچه برای رسیدگی به این چالش ها را فراهم می کنیم. چارچوب frst کیفیت کیفیت قطعنامه را با استفاده از یک مدل رگرسیون ساخته شده بر اساس ویژگی های به خوبی طراحی شده تعیین می کند. بلیط ها همراه با امتيازات كيفي كه از كيفيت تصوير كيفيت رزوليشن بدست مي آيد، به منظور آموزش يك مدل رتبه بندي شبكه عصبي عمومي كه نمرات مطابق با كليه پيكربندي و قطعنامه را به دست مي آورد، استفاده مي شود. این مدل رتبه بندی ما را قادر می سازد تا کیفیت قطعنامه در بلیط های تاریخی را در هنگام توصیه به قطعنامه های مربوط به بلیط حادثه یابی در اختیار بگیریم. علاوه بر این، بردارهای ویژگی مشتق شده از مدل رتبه بندی عمیق عصبی، می توانند در سایر وظایف تجزیه و تحلیل بلیط مانند طبقه بندی بلیط و خوشه بندی استفاده شوند. چارچوب پیشنهادی به طور گسترده با مجموعه داده های دنیای واقعی واقع شده است.
مقدمه
برجسته بودن خدمات ارائه شده و خدمات پس از فروش و خدمات پس از فروش در شرکت تجارت رقابتی غیر قابل انکار است و با پیچیدگی در حال رشد خدمات محیطی حیاتی است. این سرویس های انگیزه ای را برای انجام بسیاری از وظایف خود، از جمله مدیریت سیستم، و روش های تعمیر و نگهداری روزمره (به عنوان مثال تشخیص مشکالت، تعیین و حل و فصل) برای زیرساخت های خدمات، تأکید می کند. شناسایی مشکل خودکار توسط برخی از نرم افزارهای نظارت بر سیستم نظیر HP OpenView 1 و IBM Tivoli Monitoring 2 صورت گرفته است. چنین سیستم های نظارتی به طور مداوم رویدادهای سیستم را ضبط می کند و بلیط های حادثه ای ایجاد می کند که هشدارها باعث می شوند. یک کارآزمایی معمول از تشخیص مشکل، تعیین و حل و فصل در مدیریت خدمات IT توسط کتابخانه Infrastructure Technology فناوری اطلاعات (ITIL) مشخص شده است 3 و در نشان داده شده است.
Year: 2016
Publisher : ELSEVIER
By : Wubai Zhou, Wei Xue, Ramesh Baral , Qing Wang , Chunqiu Zeng , Tao Li , Jian Xu , Zheng Liu , Larisa Shwartz , Genady Ya. Grabarnik
File Information: English Language/ 11 Page / size: 981 KB
Only site members can download free of charge after registering and adding to the cart
سال : 1395
ناشر : ELSEVIER
کاری از : Wubai ژو، Wei Xue، Ramesh Baral، چینگ وانگ، Chunqiu زنگ، Tao لی، جیان Xu، ژنگ لیو، لاریسا Shwartz، Genady Ya. گربرنیک
اطلاعات فایل : زبان انگلیسی / 11صفحه / حجم : KB 981
نقد و بررسیها
هنوز بررسیای ثبت نشده است.