مقاله STAR: سیستمی برای تحلیل و وضوح تیکت (2017 ACM)

1.مقدمه

1.1. چالش ها و راه حل های پیشنهادی

1.2. تحقیقات مرتبط

1.3. نقشه راه (آنچه در ادامه مقاله است)

2. مرور و بررسی

3. تعیین کمیت کیفیت وضوح تیکت

3.1. توصیف ویژگی

3.2. یافته ها

4. مدل رتبه بندی عصبی عمیق

4.1. فرمول بندی مشکل

4.2. معماری رتبه بندی عصبی عمیق

4.2.1. مدل خط(جمله). معماری مدل مبتنی بر CNN در شکل 3 نشان داده شده است. توسط مدل CNN برای اجرای طبقه بندی خط (جمله) متعدد الهام گرفته شد (13)

4.2.2. معماری برای جفت های خلاصه و وضوح تیکت

4.2.3. تابع هدف

4.3. تنظیم

4.4. تعبیه کلمه

5. خودکارسازی وضوح تیکت

5.1. مجموعه داده ها

5.2. خودکارسازی وضوح تیکت

6. دیگر برنامه های کاربردی تحلیل تیکت

6.1. خوشه بندی تیکت

6.2. طبقه بندی تیکت

7. نتیجه گیری

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 first identify the challenges in real-world ticket analysis and develop an integrated framework to efficiently handle those challenges. The framework first quantifies 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 quantification, 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 classification and clustering. The proposed framework is extensively evaluated with a large real-world dataset.

در محیط های خدمات فناوری اطلاعات در مقیاس وسیع و پیچیده، یک رویداد مشکل ساز به عنوان تیکت ثبت شده است و شامل خلاصه تیکت می باشد (وضعیت سیستم و شرح مشکل).مدیران سیستم زمانی که (مشکل) چنین تیکت هایی برطرف می شوند، به توصیف گام به گام وضوح (تفکیک) می پردازند. رویدادهای خدمات مکرر به احتمال زیاد با استنباط تیکت های تاریخی مشابه حل می شوند. با در دسترس بودن پایگاه داده های بسیار بزرگ تیکت ، می توانیم سیستم خودکاری برای توصیه ی بهترین وضوح (تفکیک) مرتبط برای خلاصه تیکت داده شده داشته باشیم.

در این مقاله، ابتدا چالش های تحلیل تیکت در جهان واقعی را شناسایی کرده و چارچوب یکپارچه ای برای کنترل کارآمد آن چالش ها گسترش می دهیم. این چارچوب در وهله ی نخست کیفیت وضوح (تفکیک) تیکت را با استفاده از مدل رگرسیون که بر اساس ویژگی های دقیقی طراحی شده اند، تعیین می کند. تیکت ها، به همراه امتیازات کیفیت بدست آمده از تعیین کمیت کیفیت وضوح مورد استفاده قرار می گیرند تا مدل رتبه بندی شبکه عصبی عمیقی را آموزش دهد که امتیازات جفت های خلاصه تیکت و وضوح را به عنوان خروجی ایجاد کند. این مدل رتبه بندی به ما این امکان را می دهد که کیفیت وضوح در تیکت های تاریخی را به عنوان اهرم مورد استفاده قرار دهیم درست زمانی که وضوح برای تیکت حادثه آتی توصیه می شود. بعلاوه، بردارهای ویژگی نشات گرفته از مدل رتبه بندی عصبی عمیق می تواند به طور موثری در دیگر وظایف تحلیل تیکت مانند طبقه بندی و خوشه بندی تیکت مورد استفاده قرار گیرد. چارچوب پیشنهادی به طور گسترده با مجموعه داده های جهان واقعی ارزیابی می شوند.