VirusHack

Из видео от оргов

Разработка системы анализа и прогнозирования сетевых происшествий и управленческих решений для минимизации убытков на стороне Ростелекома.

Собирает данные из нескольких инфраструктурных компонентов, анализирует их, информирует об инцидентах, строит прогноз на будущее и помогает в принятии оперативных управленческих решений.

Идеальное решение трека:

Cервис мониторинга и прогнозирования абонентских проблем. Дата майнинг, нейронные сети, имитационное моделирование, можно использовать любой подход и инструментарий. Важно решить проблему до того как клиенты завалят колцентр и техподержку гневными обращениями.

Прототип должен уметь работать с сетевым оборудованием, анализировать логи ПО работающего с абонентами. Из ряда событий нужно определить инциденты, оперативно сообщить о них. На основании индифицированных инцидентов составить прогноз на будущее.

Критерии оценки:

• кол-во оцениваемых и предсказываемых инцидентов
• подход к прогнозированию: точность модели, кол-во учитываемых факторов и тд
• кол-во реализованных фич - насколько полноценным и полным является продукт
• работоспособность прототипа, удобство развертывания сервиса

С сайта

Примерный список инцидентов

• Загрузка каналов.
• Доступность оборудования.
• Изменение температуры оборудования.
• Загрузка процессора и памяти оборудования.
• Резкое падение абонентских сессий.

Цель:

Уменьшение убытков от сетевых аварий.

Как может работать:

составление дерева сетевых инцидентов и условий для их возникновения, анализ мониторинга сетевого оборудования, анализ состояния обслуживающего персонала.

Structure of product

Dataflow part

Backend part

Web-server (Flask)

Run server

to run server run in root directory (port 4500):

python backend.py

or

python3 backend.py

API documentation

get time series of given target with forecasting (for the last 24 hours)

/get_real_and_pred_data (GET)

response

json
{ 
"xticks" : [],
"start_stop_alige_count_" : [],
"start_stop_alige_count_Alive": [],
"start_stop_alige_count_Start": [],
"start_stop_alige_count_Stop": [],
"type__count_Billing-Accounting": [],
"type__count_Billing-Authentication": [],
"mean_delay": [],
"mean_input_trafic": [],
"mean_output_trafic": [],
"count_failed": [],
"start_stop_alige_count__pred" : [],
"start_stop_alige_count_Alive_pred": [],
"start_stop_alige_count_Start_pred": [],
"start_stop_alige_count_Stop_pred": [],
"type__count_Billing-Accounting_pred": [],
"type__count_Billing-Authentication_pred": [],
"mean_delay_pred": [],
"mean_input_trafic_pred": [],
"mean_output_trafic"_pred: [],
"count_failed_pred": []
}

pay attention:

xticks has size of n and target_pred has a size of n, but target has a size of n-1 because target has all real values of time series and target_pred has a size of the history of predicted values and forecasting for the next hour

get time series of snmp data for the last hour

/get_snmp_data (GET)

response

{ 
"xticks" : [],
"temp" : [],
"mem" : [],
"cpu" : []
}

Get alert users

/get_alert_users (POST)

request

{
"hour": hour
}

sample value:

"hour": "05-03 00"

response

{ 
"failed_alert" : [list_of_users, list_of_values],
"stops_alert" : [list_of_users, list_of_values],
"tr_inp_zero_alert" : [list_of_users, list_of_values],
"tr_out_zero_alert" : [list_of_users, list_of_values]
}