Monitoring
Fehler-Erkennung in Netzwerken
Fortsetzung des Artikels von Teil 2
Referenz- und Beobachtungsfenster
Um adaptive und quantifizierbare Resultate zu erhalten, wird ein Ansatz aus dem Bereich der Lern-Algorithmen angepasst und der oben erwähnten Konfidenzwert berechnet. Dazu werden die in einem Referenz- und einem Beobachtungsbereich gemessenen Signale verglichen. Die aktuellen Daten im Beobachtungsbereich werden dabei mit einem Profil normaler Messwerte aus dem in der Vergangenheit liegenden Referenzbereich verglichen. Beide Bereiche bewegen sich dabei mit der Zeit synchron weiter.
Die Länge beider Bereiche muss dabei nicht identisch sein. In der Regel umfasst der Referenzbereich einen deutlich größeren Zeitraum (zum Beispiel einen Tag) als der Beobachtungsbereich, der meistens nur wenige Messwerte umfasst. Damit Anomalien gut erkannt werden können, sollte das Referenzfenster zum Zeitpunkt einer Anomalie ausschließlich „normale" Werte enthalten.
Beide Bereiche werden durch die Berechnung der sogenannten Mahalanobis-Distanz miteinander in Beziehung gebracht. Sie gibt wieder, wie stark sich die Signale in ihnen unterscheiden. Die Mahalanobis-Distanz ist eine effizient berechenbare mathematische Klassifikationsmethode und kann zum Vergleich mehrdimensionaler Daten angewandt werden. Dabei muss nicht explizit angeben werden, wie die verschiedenen Dimensionen zusammenhängen.
Die Mahalanobis-Distanz verhält sich dabei nicht linear zur geometrischen Distanz (im n-dimensionalen Raum) beider Gruppen, sondern berücksichtig die Verteilung der Messpunkte in den jeweiligen Gruppen. Außerdem ist sie skalenunabhängig, das heißt nur die relativen Abweichungen werden für die Distanz berechnet – der absolute Wert oder die Einheit von Messwerten sind irrelevant.
- Fehler-Erkennung in Netzwerken
- Auswertung mehrdimensionaler Messwerte
- Referenz- und Beobachtungsfenster
- Rauschminderung ist notwendig
- Auswahl der analysierten Messwerte
