Zaznavanje anomalij v dogodkih gruče OpenShift z uporabo statističnih metod in strojnega učenjaMaurič, Ana (Avtor) Sedlar, Urban (Mentor) OpenShiftzaznavanje anomalijstrojno učenjeveliki jezikovni modelimagisterijiV tej magistrski nalogi je bil obravnavan problem analize dogodkov v gruči OpenShift. Ključni izziv je bil razlikovanje med običajnimi odstopajočimi dogodki in kontekstualno pomembnimi anomalijami, ki nakazujejo na nepravilno delovanje sistema oz. gruče. Namen naloge je bil primerjati statistične metode in modele strojnega učenja pri zaznavi anomalij ter uporabiti veliki jezikovni model za generiranje razlag in predlogov ukrepov. V uvodu je predstavljeno kratko teoretično ozadje o platformi OpenShift. Prav tako so opisani rezultati že obstoječih raziskav na temo odkrivanja anomalij z uporabo strojnega učenja ter umetne inteligence. V okviru praktičnega dela je bilo postavljeno okolje Red Hat OpenShift AI (v nadaljevanju RHOAI) na Red Hat OpenShift Container Platform, podatki pa so bili zajeti in obdelani v okolju Jupyter Notebook. Izvedena je bila osnovna statistična analiza dogodkov z metodama z-vrednosti in interkvartilnega razpona (angl. interquartile range – v nadaljevanju IQR). Nato so bili preizkušeni modeli strojnega učenja: izolacijski gozd, enorazredna metoda podpornih vektorjev (angl. one-class support vector machine – v nadaljevanju OCSVM), lokalni faktor odstopanja (angl. local outlier factor – v nadaljevanju LOF) in avtoenkoder. Skupno zaznane anomalije so bile združene v konsenzni model, njegov izhod pa je bil posredovan velikemu jezikovnemu modelu moonshotai/Kimi-K2-Instruct-0905 za generiranje razlag in priporočil. Rezultati so bili prikazani na spletni strani znotraj gruče. Rezultati so pokazali, da je metoda z-vrednosti primerna za zaznavo kratkotrajnih izrazitih incidentov, IQR pa za ponavljajoča odstopanja brez širšega konteksta. Modeli strojnega učenja zaznavajo širši spekter anomalij, saj upoštevajo več značilk in medsebojne odnose dogodkov. Posamezni modeli izpostavljajo različne vidike nepravilnosti – izolacijski gozd zaznava redkejša opozorila, OCSVM se osredotoča na ponavljajoča opozorila, avtoenkoder in LOF pa na najpogostejše zanke v sistemu. Posamezni modeli kljub podobnostim zaznavajo različne tipe anomalij, kar se odraža tudi v relativno nizkem medsebojnem strinjanju modelov, zlasti pri modelu LOF. Konsenzni model še poveča robustnost zaznave, vendar zahteva dodatno interpretacijo. Veliki jezikovni model (angl. large language model – v nadaljevanju LLM) ponuja smiselne razlage in usmeritve za nadaljnjo diagnostiko, vendar ne nadomešča strokovne analize v celoti. Nadaljnje delo bi lahko vključevalo testiranje različnih nastavitev modelov, zaznavanje anomalij v realnem času, namerno povzroščanje napak na testnem projektu in preverjanje, za kolikšen delež anomalij LLM pravilno ugotovi razlog. Primerjati bi bilo mogoče tudi več pristopov LLM.A. Maurič20262026-06-19 11:40:02Magistrsko delo/naloga183826UDK: 004.85(043.3)VisID: 63343COBISS_ID: 282682371sl