Time Series Anomaly Detection presso INFN-CNAF Data Center: un approccio basato sul Machine Learning

Il rilevamento di anomalie in serie temporali è fondamentale per garantire la stabilità e la sicurezza dei data center, in particolare in contesti scientifici come l'INFN-CNAF, il Centro Nazionale per la ricerca e lo sviluppo nelle tecnologie informatiche e telematiche dell'Istituto Nazionale di Fisica Nucleare, dove viene gestita un'enorme quantità di dati eterogenei significativi per esperimenti internazionali attraverso l'adozione di sistemi di monitoraggio dedicati. Dovendo garantire una disponibilità continua, si sono iniziate a valutare soluzioni di intelligenza artificiale per la rilevazione di anomalie, volte a prevedere possibili guasti. Questo lavoro presenta un approccio basato sul Machine Learning per la rilevazione automatica di anomalie nel servizio WebDAV dell'INFN-CNAF. Tra i metodi testati figurano Long Short-Term Memory (LSTM), Random Forest e reti neurali di vario tipo, con l’obiettivo di valutare la precisione e la sensibilità dei modelli nel distinguere tra comportamenti normali e anomali, oltre a offrire una maggiore comprensione delle aree del sistema in cui si verificano problematiche. I risultati mostrano l'efficacia relativa dei metodi sperimentati, evidenziando l'utilità dei modelli non solo nel rilevare anomalie, ma anche nel localizzare i punti critici all’interno delle metriche monitorate, contribuendo così al perfezionamento del monitoraggio proattivo delle risorse IT e alla gestione efficiente del data center.