search query: @instructor Manninen, Esa / total: 9
results-list
reference: 6 / 9
« previous | next »
Author:Saloheimo, Juha Viktor
Title:Syslog-viestien hyödyntäminen laajakaistaverkon vianhallintaprosessissa
Utilizing Syslog Messages in Fault Management Process of a Broadband Network
Publication type:Master's thesis
Publication year:2009
Pages:61      Language:   fin
Department/School:Matematiikan ja systeemianalyysin laitos
Main subject:Sovellettu matematiikka   (Mat-2)
Supervisor:Hämäläinen, Raimo P.
Instructor:Manninen, Esa
OEVS:
Electronic archive copy is available via Aalto Thesis Database.
Instructions
close

Reading digital theses in the closed network of the Aalto University Harald Herlin Learning Centre

In the closed network of Learning Centre you can read digital and digitized theses not available in the open network.

The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/

You can read theses on the Learning Centre customer computers, which are available on all floors.

Logging on to the customer computers

  • Aalto University staff members log on to the customer computer using the Aalto username and password.
  • Other customers log on using a shared username and password.

Opening a thesis

  • On the desktop of the customer computers, you will find an icon titled:

    Aalto Thesis Database

  • Click on the icon to search for and open the thesis you are looking for from Aaltodoc database. You can find the thesis file by clicking the link on the OEV or OEVS field.

Reading the thesis

  • You can either print the thesis or read it on the customer computer screen.
  • You cannot save the thesis file on a flash drive or email it.
  • You cannot copy text or images from the file.
  • You cannot edit the file.

Printing the thesis

  • You can print the thesis for your personal study or research use.
  • Aalto University students and staff members may print black-and-white prints on the PrintingPoint devices when using the computer with personal Aalto username and password. Color printing is possible using the printer u90203-psc3, which is located near the customer service. Color printing is subject to a charge to Aalto University students and staff members.
  • Other customers can use the printer u90203-psc3. All printing is subject to a charge to non-University members.
Location:P1 Ark T80     | Archive
Keywords:syslog
DSLAM
fault management
message type
datamining
Hidden Markov Model
syslog
DSLAM
vianhallinta
viestityyppi
datalouhinta
piilotettu Markov-malli
Abstract (eng): This thesis examines ways of utilizing messages created by the syslog protocol, as part of the fault management process of a broadband network.
The main objectives of the thesis are to investigate methods through which syslog messages can be analyzed in the context of fault management, and to test their applicability based on syslog messages gathered from DSLAM-components (Digital Subscriber Line Access Multiplexer) of the broadband network of Elisa Oyj.

Syslog messages enable real-time surveillance of DSLAM-components.
With the help of syslog messages fault situations can be detected, localized and identified potentially faster and more accurately than through other information channels.
The analysis of syslog messages is however challenging because of large quantities of data, which sets computational restrictions on used methods.
Secondly syslog messages are of free form, and they do not contain explicit information about the message type of messages.

The analysis of syslog messages can be divided into two phases.
In the first phase certain features of syslog messages, such as the message type, are determined.
In this thesis, two data driven methods are studied: heuristic and clustering methods.
Heuristic methods utilize structural differences between words belonging to the message type and message variables.
The clustering method, on the other hand, derives message types based on the number of occurrences of different words in messages.

The second phase of analysis can be categorized into fault detection and anomaly detection.
In fault detection, it is the goal to identify message patterns that are linked to known fault situations.
In this thesis, data mining was utilized for identifying these message patterns.
In anomaly detection, fault situations are detected through abnormal behavior of the syslog message stream.
In this thesis, Hidden Markov Models were more closely studied in relation to anomaly detection.

The presented methods were applied to the syslog message sample collected from DSLAM-components of the studied broadband network.
Message types were identified with the help of a heuristic method specified to properties of the message stream.
Through fault detection methods, a group of message patterns was found that was linked to fault situations.
Anomaly detection methods were found not to be suited for analyzing the syslog message stream due to a large number of false alarms.
Abstract (fin): Diplomityössä tarkastellaan syslog-protokollan tuottamien viestien hyödyntämismahdollisuuksia laajakaistaverkon vianhallintaprosessissa.
Työn tavoitteena on kartoittaa menetelmiä syslog-viestien analysointiin vianhallinnan yhteydessä ja testata niiden soveltuvuutta Elisa oyj:n laajakaistaverkon DSLAM-komponenttien (Digital Subscriber Line Access Multiplexer) lähettämän syslog-viestivirran analysointiin.

Syslog-viestit mahdollistavat laajakaistaverkon DSLAM-komponenttien tilan reaaliaikaisen seurannan.
Syslog-viestien avulla vikatilanteet voidaan havaita, paikantaa ja tunnistaa potentiaalisesti nopeammin ja tarkemmin kuin muita tarkasteltavan verkon informaatiokanavia pitkin.
Syslog-viestien analysointi on kuitenkin haastavaa suuresta datamäärästä johtuen, mikä asettaa laskennallisia rajoitteita käytettäville menetelmille.
Toiseksi syslog-viestit ovat vapaamuotoisia, eivätkä ne sisällä eksplisiittistä tietoa viestien viestityypistä.

Syslog-viestien analysointi jakautuu kahteen osaan.
Ensimmäisessä vaiheessa viesteistä selvitetään niitä karakterisoivat ominaisuudet, kuten viestityyppi.
Tässä työssä tarkasteltiin lähemmin syslog-viestien viestityyppien määrittämistä datalähtöisesti heuristisilla menetelmillä ja ryvästysmenetelmällä.
Heuristisissa menetelmissä hyödynnetään viestityypin muodostavien sanojen ja viestimuuttujien välisiä rakenteellisia eroja viestityyppien tunnistamisessa.
Vastaavasti ryvästysmenetelmässä viestityypit määritetään viestien sanojen esiintymismäärien perusteella.

Syslog-viestien analysoinnin toisessa vaiheessa viat voidaan havaita, paikantaa ja tunnistaa suorilla tai anomaliaperusteisilla menetelmillä.
Vikojen suorassa havaitsemisessa viestihistoriasta pyritään tunnistamaan viestikuviot, jotka liittyvät tunnettuihin vikatilanteisiin.
Tässä työssä vikatilanteisiin liittyvien viestikuvioiden määrittämisessä hyödynnettiin datalouhintaa.
Vastaavasti anomaliaan perustuvassa lähestymistavassa vikatilanteet havaitaan syslog-viestivirran normaalista poikkeavana käyttäytymisenä.
Tässä työssä tarkasteltiin lähemmin piilotettujen Markov-mallien soveltuvuutta vikatilanteiden anomaliaperusteiseen havaitsemiseen.

Työssä esiteltyjä menetelmiä sovellettiin laajakaistaverkon DSLAM-komponenteilta kerättyyn syslog-viestiotokseen.
Viestityyppien tunnistamisessa hyödynnettiin viestivirran ominaisuuksiin sovitettua heuristiikkaa.
Suorilla menetelmillä pystyttiin määrittämään joukko vikatilanteiden ohessa esiintyviä viestikuvioita.
Vastaavasti anomaliaperusteiset menetelmät todettiin soveltuvan huonosti tarkastellun syslog-viestivirran analysointiin johtuen väärien hälytysten suuresta määrästä.
ED:2010-01-21
INSSI record number: 38789
+ add basket
« previous | next »
INSSI