Automatisierte Analyse von Logdateien mit Methoden des maschinellen Lernens

Abstract

Moderne Softwaresysteme protokollieren ihre Aktivitäten in sogenannten Log-Dateien. Diese sind im Fehlerfall oft der einzige Anhaltspunkt für die Fehlersuche. Das manuelle Durchsuchen der Log-Dateien durch den Menschen ist aufgrund deren Größe und Komplexität mühselig und fehleranfällig. Eine Log-Datei besteht aus sogenannten Log-Events, die bestimmte Ereignisse innerhalb des Softwaresystems repräsentieren. Mehrere Log-Events können einen Zusammenhang aufweisen. Sie bilden dann eine sogenannte Log-Event-Sequenz. Es existieren Algorithmen, die aus einzelnen Log-Events Muster generieren, um Log-Dateien automatisiert analysieren zu können. Dabei beschränken sich die aktuellen Algorithmen auf einzelne Log-Events ohne dabei einen Zusammenhang zwischen mehreren Log-Events in Betracht zu ziehen. In dieser Arbeit wird ein Algorithmus entworfen und implementiert, welcher automatisiert aus mehreren logisch zusammengehörigen Log-Events, den Log-Event-Sequenzen, Muster erzeugen kann. Hierbei werden Methoden des überwachten maschinellen Lernens eingesetzt, um anhand von speziell aufbereiteten Trainingsdaten Muster zu generieren. Der Algorithmus kann dazu genutzt werden Log-Dateien nach Anomalien und Fehlern zu durchsuchen. Er fasst die analysierten Log-Dateien in einem für den Menschen leicht verständlichen Bericht zusammen. Der Algorithmus wird anhand von Log-Dateien der verteilten Integrationsumgebung Remote Component Environment (RCE) erprobt. RCE wird am Deutschen Zentrum für Luft- und Raumfahrt e.V. (DLR) entwickelt. Abschließend werden mögliche Erweiterungen des Algorithmus für die Zukunft diskutiert.