Зонтичный мониторинг позволяет внедрить в компании проактивный подход к обслуживанию ИТ-инфраструктуры, который направлен на предупреждение инцидентов и сбоев.

Предиктивные модели, основанные на алгоритмах ИИ и машинного обучения, обрабатывают большое количество данных об инфраструктуре и прогнозируют возможные события. Например, в продукте реализовано детектирование аномалий, не требующее настройки порогов, и прогнозирование значений метрик (выявление трендов).

Значения метрик в работе оборудования могут меняться. Статистические и ML-модели в Naumen BSM автоматически определяют, какие показатели являются нормальными, а какие выходят за рамки коридора нормальных значений. Единичные отклонения просто фиксируются. Если же событие повторяется определенное количество раз подряд, система диагностирует аномалию.

Модель выявляет тенденции к увеличению или уменьшению значений метрик оборудования, учитывая их характер поведения, и прогнозирует сроки наступления пороговых значений. Потребуется определить горизонт — дальность прогнозирования, а остальные параметры система рассчитает автоматически.

Помимо моделей прогнозирования и детектирования аномалий, в Naumen BSM реализованы триггеры. Они позволяют анализировать показатели, которые важно отслеживать в комплексе. Можно настроить, какие метрики нужно мониторить в связке друг с другом, и определить правила реагирования. В системе можно учитывать не только показатели различного оборудования, но и значения бизнес-метрик, например, количество пользователей, которые одновременно пользуются определенным сервисом.

Отслеживать работу предиктивных моделей можно онлайн с помощью графиков. Также система может своевременно предупредить о возможном сбое или аномалии, чтобы ответственные специалисты успели принять меры и не допустить возникновения аварии. В Naumen BSM настраиваются различные сценарии реагирования. Например, в зависимости от критичности прогнозируемой угрозы отправляется оповещение или сразу регистрируется инцидент.