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.

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 (POST)

request

parameters (json body):

{
"target" : target
}

possible targets:

['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']
 

response

json
{ 
"xticks" : [],
"target" : [],
"target_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 (POST)

request

parameters (json body):

{
"target" : target
}

possible targets:

['temp', 'cpu', 'mem']

response

{ 
"xticks" : [],
"target" : [],
}