پیش بینی خرابی در سیستم های مدیریت اطلاعات با استفاده از الگوریتم های یادگیری ماشین یک رویکرد مبتنی بر داده های عملیاتی

در دنیای مدرن سیستم های مدیریت اطلاعات نقش مهمی در جمع آوری، پردازش و تحلیل داده های حیاتی سازمان ها دارند. با افزایش حجم داده ها و پیچیدگی زیرساخت ها، خرابی های غیر منتظره در این سیستم ها می تواند موجب توقف سرویس ها، کاهش کارایی و از دست رفتن اطلاعات حساس شود. مسئله ی اصلی این پژوهش پیش بینی به موقع خرابی در سیستم های مدیریت اطلاعات با هدف پیشگیری از اختلالات احتمالی است. در این پژوهش، با به کارگیری مجموعه ای از الگوریتم های پیشرفته ی یادگیری ماشین از جمله جنگل تصادفی، تقویت گرادیان و یادگیری تقویتی، عمیق مدلی نوین برای شناسایی و تحلیل الگوهای ناهنجاری در داده های عملکردی سیستم توسعه و ارزیابی گردید. داده های مورد استفاده شامل شاخص های مصرف CPU، حافظه، دیسک و ورودی خروجی در شرایط واقعی محیط های اطلاعاتی بوده است. نتایج آزمایش ها نشان داد که مدل ترکیبی پیشنهادی در مقایسه با مدل های پایه میانگین دقت پیش بینی خرابی را تا ۹۳٪ افزایش داده و نرخ خطای مثبت کاذب را ۱۲٪ کاهش داده است. نوآوری اصلی پژوهش در ترکیب مدل های طبقه بندی با یادگیری تقویتی برای بهینه سازی تصمیم گیری در زمان واقعی است. این مدل می تواند در مراکز داده و سامانه های حیاتی برای افزایش پایداری، کاهش زمان از کار افتادگی و بهبود مدیریت پیشگیرانه خرابی ها به کار گرفته شود.

کلیدواژه ها:

پیش بینی ، خرابی سیستم های مدیریت اطلاعات ، یادگیری ماشین ، یادگیری تقویتی ، تحلیل ناهنجاری