Improving the Infrastructures of AIOps by Bridging the Data Gap

RÉSUMÉ Pour faire face à la complexité et à l’échelle croissantes des environnements informatiques modernes, les organisations se tournent de plus en plus vers des solutions automatisées et axées sur les données pour gérer et améliorer la disponibilité et les performances de leurs systèmes logiciels. Ces dernières années, le concept d’Intelligence Artificielle pour les Opéra-tions Informatiques (AIOps) a fait l’objet d’une attention particulière en tant qu’approche prometteuse et transformatrice. AIOps combine les technologies big data avec des techniques avancées d’Intelligence Artificielle (IA) et d’Apprentissage Automatique (AA) pour automa-tiser et améliorer les aspects clés des opérations informatiques. En minimisant les efforts manuels et en offrant une meilleure visibilité sur le comportement des systèmes, l’AIOps permet aux équipes informatiques de gérer plus efficacement des environnements complexes et distribués, tout en réduisant les coûts opérationnels et en améliorant la santé globale des systèmes. Comme pour tout système basé sur l’IA ou le AA, l’efficacité des solutions AIOps dépend fortement de l’accès à des données de haute qualité, pertinentes et diversifiées. Ces don-nées sont essentielles pour entraîner les modèles, évaluer les algorithmes et s’assurer que les solutions AIOps peuvent gérer la complexité et la variabilité des environnements réels. Cependant, malgré son importance, il y a une pénurie notable d’ensembles de données ac-cessibles au public provenant d’opérations informatiques réelles, et un nombre croissant de recherches a mis en évidence les défis critiques liés aux données qui entravent les progrès de l’AIOps. Essentiellement, les données AIOps peuvent être obtenues par deux approches prin-cipales : (1) Générer des données synthétiques en simulant des scénarios du monde réel, ou (2) Acquérir des données opérationnelles du monde réel auprès d’organisations informatiques. Ces deux méthodes s’accompagnent de défis et de limites qui leur sont propres. Cette thèse vise à remédier à la pénurie d’ensembles de données publiquement disponibles pour les AIOps en contribuant à la fois à la génération de données synthétiques et au partage de données préservant la vie privée. Tout d’abord, elle effectue une analyse empirique de la manière dont les données opérationnelles sont actuellement utilisées dans les solutions AIOps, en caractérisant les pipelines AIOps et en identifiant les lacunes. Deuxièmement, il caractérise les modèles et structures temporels communs dans les données télémétriques du monde réel que les travaux futurs sur la génération de données synthétiques réalistes pourront utiliser et reproduire. Troisièmement, il formalise une définition des données sensibles dans les journaux logiciels en se basant sur des perspectives réglementaires, universitaires et industrielles, contribuant ainsi à des pratiques respectueuses de la vie privée dans les opérations informatiques. Sur cette base, il présente SDLog, un cadre basé sur l’apprentissage profond qui surpasse les expressions régulières traditionnelles dans la détection des attributs sensibles, améliorant de manière significative la sécurité du partage des données et de l’analyse externe. Collectivement, ces contributions ne font pas seulement progresser l’état de la recherche sur les AIOps, mais fournissent également des outils et des connaissances pratiques que les chercheurs et les praticiens peuvent adopter pour générer, partager et analyser les données AIOps de manière plus efficace et plus sûre.