Lightning talk avec 3DS OUTSCALE

Dans les systèmes à grande échelle d’aujourd’hui, une seule anomalie peut impacter l’expérience de millions d’utilisateurs. Automatiser la détection de tels évènements est essentiel pour maintenir la qualité des services et diminuer l’impact d’une éventuelle défaillance. Largement utilisés pour le debuging ou l’identification des causes d’un incident, les logs se sont également avérés être une source d’information riche pour la détection d’anomalie pré-incident. Cependant, les volumétries de logs, leur complexité et l’évolution permanente des schémas de fonctionnement des plateformes Clouds sont autant de défis encore à relever.

Arthur Vervaet, doctorant Big Data CIFRE entre le laboratoire LISITE ISEP et 3DS OUTSCALE, présente les avancements de sa thèse portant sur la détection des anomalies séquentielles et quantitatives dans les flux de logs multi-sources. Les travaux présentés ont été acceptés dans le phD Symposium de la conférence scientifique internationale IEEE International Conference on Data Engineering 2021 et suivent une approche de Deep Learning distribuée en trois étapes.