Soutenance de thèse CIFRE – Youcef REMIL

La supervision des systèmes informatiques modernes présente de nouveaux défis en termes de scalabilité, de fiabilité et d’efficacité. Les méthodes traditionnelles de maintenance basées sur l’exécution de tâches manuelles ont prouvé leur inefficacité. De manière similaire, les systèmes experts à base de règles sont limités dans leur capacité actuelle à gérer et anticiper le grand nombre d’alertes générées par les systèmes informatiques. AIOps for Operating Systems (AIOps) propose d’utiliser des techniques avancées d’apprentissage automatique centrées sur la donnée pour améliorer et automatiser les systèmes de supervision. Cependant, il existe plusieurs défis à relever pour concrétiser cette vision, qui sont partagés à la fois par la communauté scientifique et les ingénieurs sur le terrain. Tout d’abord, le manque d’une terminologie claire et unifiée dans le domaine de l’AIOps rend difficile la progression, l’implémentation et la comparaison des contributions provenant de différentes disciplines. De plus, les exigences et les métriques nécessaires à la construction de modèles AIOps, alignés avec les contraintes industrielles, ne sont pas suffisamment élaborées. Deuxièmement, les contributions théoriques en matière d’AIOps se sont principalement concentrées sur les modèles prédictifs pour la détection et prédictions des incidents, en négligeant souvent la capacité des modèles descriptifs à gérer et résoudre les défis liés à la qualité, à la complexité, au volume et à la diversité des données. Troisièmement, la dépendance excessive aux modèles boîte noire opaques limite leur adoption par les praticiens de l’industrie. Enfin, les solutions AIOps existantes ne prêtent pas toujours suffisamment d’importance à l’évaluation des performances des modèles et aux problèmes de scalabilité lors du développement et de l’évaluation des modèles.

Nous proposons d’abord une approche systématique de l’AIOps qui organise les connaissances dans ce domaine de recherche en fournissant une catégorisation en accord avec les normes et les exigences de l’industrie. Deuxièmement, nous explorons l’application de la découverte de sous-groupes qui est une technique prometteuse de fouille de données qui permet l’extraction d’hypothèses intéressantes à partir de vastes ensembles de données diversifiées. Ainsi, les utilisateurs sont en mesure de comprendre, d’interagir avec et d’interpréter les processus sous-jacents aux modèles. Nos contributions dans ce domaine comprennent une application pratique axée sur l’identification de fragments de requêtes SQL suspects permettant de localiser les problèmes de dégradation de performances. De plus, nous développons un mécanisme d’interprétation pour les modèles de triage des incidents, offrant des explications contextualisées pour les décisions prises par le modèle. Nous abordons également le problème de l’analyse des problématiques de saturation de la mémoire Java, caractérisé par un ensemble de données volumineux et complexes intégrant des données hiérarchiques. Enfin, nous traitons la scalabilité en étudiant le problème de la détection de la déduplication des incidents. Notre objectif est de rechercher de manière efficace et rapide les rapports de plantage les plus similaires en combinant des techniques de hachage sensibles à la localité (LSH) et des techniques d’apprentissage contrastif dans un cadre unifié. Pour garantir la pertinence et la praticité de nos propositions, ce projet de thèse implique une collaboration entre des chercheurs en fouille de données et des praticiens d’Infologic, un éditeur de logiciels français.