Predictive Monitoring: Adacor startet KI-Forschungsprojekt

Die Zukunft vorhersagen zu können, ist ein alter Traum. Mit künstlicher Intelligenz (KI) könnte er in einigen Bereichen Wirklichkeit werden. Adacor beschäftigt sich deshalb in einem Forschungsprojekt mit Predictive Monitoring: Ein achtköpfiges Team untersucht, wie sich Ausfälle und Einschränkungen von Server-Infrastrukturen vorhersagen und durch gezielte Wartung verhindern lassen. Als Betreiber der IT-Infrastrukturen und Cloud-Systeme unserer Kunden wollen wir Ausfälle so weit wie möglich vermeiden. Kunden wünschen sich im besten Fall 100 Prozent Verfügbarkeit und null Ausfälle.

Das Projekt wird von der Europäischen Union im Rahmen des Europäischen Fonds für regionale Entwicklung (EFRE) gefördert.

Was ist künstliche Intelligenz?

Als künstliche Intelligenz wird die Fähigkeit von Maschinen bezeichnet, Entscheidungsstrukturen abzubilden und diese idealerweise selbstständig weiterzuentwickeln. Es gibt unzählige Arten von KI, die sich nicht nur in der technischen Umsetzung, sondern auch im Niveau der Intelligenz und Eigenständigkeit unterscheiden. Rahmen und Ziel gibt meist der Mensch vor. Ein typisches Beispiel ist die möglichst genaue Erkennung von Text oder Sprache.

Wie beugt man Ausfällen heute vor?

Klassische IT-Überwachungssysteme prüfen mit einer Vielzahl von Abfragen den Status von Hard- und Software. Dazu zählen das Auslesen der Temperatur von Komponenten, der Prozessorauslastung oder der Festplattenfüllstände, die Stichwortsuche in System- und Anwendungsprotokollen oder der Test von Software, etwa durch einen probeweisen Aufruf von Funktionen und den Abgleich des Ergebnisses mit einem vordefinierten Wert. Weicht ein Wert von einem manuell festgelegten Bereich ab oder lässt er sich nicht abfragen, gibt das System eine Alarmmeldung aus.

In einfachen Fällen gelingt es geschultem und erfahrenem Fachpersonal meist schnell, solche Meldungen einzuordnen, das Problem zu finden und zu beheben. Bei komplexeren Störungen, etwa durch Abhängigkeiten zwischen IT-Systemen, ist die Fehleranalyse selbst für Fachleute zeitaufwendig. Häufig ist damit ein längerer Ausfall verbunden.

Auch hochwertige Hard- und Software kann ausfallen. Besonders das Zusammenspiel unterschiedlicher Softwarekomponenten führt oft zu Problemen. Um sie abzufangen, setzt man meist auf Redundanz: Ein IT-System wird mehrfach bereitgestellt, sodass der Ausfall eines oder mehrerer Teile abgefangen werden kann. Das bringt eigene Herausforderungen mit sich. Die Lösung ist teuer und für die Vernetzung der mehrfach bereitgestellten Systeme kommen weitere Komponenten zum Einsatz, die ihrerseits ausfallen können.

Selbst die großen Cloud-Anbieter Amazon, Google und Microsoft haben regelmäßig mit Ausfällen zu kämpfen. Deshalb erforschen wir bei Adacor, wie sich Ausfälle vorhersagen lassen. Ziel ist, Ausfallzeiten deutlich zu verringern und Kosten zu sparen, die durch Ausfälle und durch die notwendige Redundanz entstehen.

Wie werden aus einfacher Logik intelligente Warnsysteme?

Seit einigen Jahren gibt es dynamische und prognostische Ansätze, um klassische Überwachungssysteme weiterzuentwickeln. Erweiterte Systeme erkennen unter bestimmten Voraussetzungen wiederkehrende Lastspitzen in Metrik-Zeitreihen und stufen sie als unkritisch ein. Ein klassisches Überwachungssystem würde solche Regelmäßigkeiten nicht erkennen und bei jedem Auftreten eine Meldung erzeugen. Verbreitet sind außerdem einfache lineare Prognosemodelle. Auch Adacor hat ein Modell entwickelt, das den künftigen Verlauf von Festplattenfüllständen per linearer Regression bestimmt. Es weist frühzeitig auf den Zeitpunkt hin, an dem eine Festplatte voraussichtlich einen kritischen Füllstand erreicht. So kann das Betriebsteam die Betreuung der IT-Systeme effektiver planen.

Alle diese Mechanismen setzen voraus, dass der Mensch Zusammenhänge erkennt und der Maschine passende Modelle vorgibt. In den von Adacor betreuten Infrastrukturen entstehen pro Tag mehrere Millionen Status- und Fehlermeldungen, Abfragen und sonstige Ereignisse. Sie von Hand zu verknüpfen und auszuwerten, ist unmöglich. Sinnvoller ist es, die Muster von künstlicher Intelligenz erkennen zu lassen. Dafür müssen die Daten in ein maschinenlesbares Format überführt werden. Komplexe Methoden wie neuronale Netze helfen dann, die Zusammenhänge zu analysieren.

Was sind künstliche neuronale Netze?

Künstliche neuronale Netze lösen digitale Probleme mit lernenden Methoden. Sie sind dem menschlichen Nervensystem nachempfunden und bestehen aus vielen Nervenzellen, den Neuronen. Die Neuronen, die Daten aufnehmen, sind über sogenannte Kanten mit vielen weiteren Neuronen verbunden. Ziel ist stets, ein bestimmtes Ergebnis vorherzusagen. Aus Datum, Tageszeit, Wetter und den Nutzerzahlen von jetzt, vor einer Stunde und von gestern lässt sich so etwa vorhersagen, welche Nutzerzahl in einer Stunde zu erwarten ist. Welche Information wie zu gewichten und zu verknüpfen ist, entscheidet das Netz selbst. Mit einem Satz von Trainingsdaten lernt es, die Verbindungen zwischen den Neuronen so zu gestalten, dass am Ende ein möglichst präzises Ergebnis herauskommt.

Das Vorgehen gleicht einem Spiel. Der Mensch legt fest, für welche Ergebnisse die Maschine belohnt und für welche sie bestraft wird. Die KI versucht dann, ihr Entscheidungssystem so zu optimieren, dass sie möglichst oft belohnt wird. Was einfach klingt, ist in der Praxis sehr komplex. Ohne die richtigen Voraussetzungen liefert auch eine KI keine verwertbaren Ergebnisse. Welche Informationen wie bereitgestellt werden, welche Parameter die KI verändern darf und wie daraus überhaupt eine Vorhersage entsteht, will das Forschungsteam von Adacor in den nächsten zwei Jahren herausfinden.

Fazit: Mit Crossfunktionalität zum Erfolg für den Kunden

Die Mitarbeitenden im Forschungsprojekt kommen aus verschiedenen Teams und bringen ihre jeweiligen Fachkenntnisse ein, darunter Data Scientists, Softwareentwickler und IT-Administratoren. Gemeinsames Ziel ist eine künstliche Intelligenz, die Datenströme in Echtzeit analysiert und Beeinträchtigungen von IT-Systemen frühzeitig vorhersagt. Ausfälle ließen sich dann behandeln, bevor sie eintreten, also proaktiv statt reaktiv. Die Verfügbarkeit von Systemen würde deutlich steigen. Kunden profitieren davon mehrfach: Die Verfügbarkeit ihrer Systeme steigt, der Bedarf an Redundanz sinkt und mit ihm die Kosten.

Wie ging das Projekt weiter?

Laut dem Verzeichnis der Begünstigten des EFRE in Hessen lief das Vorhaben „Adacor Predictive Monitoring“ vom 1. Dezember 2019 bis zum 31. Oktober 2022, bei förderfähigen Kosten von 882.359 Euro und einem Fördersatz von 50 Prozent. Wie wir künstliche Intelligenz heute im eigenen Betrieb einsetzen, zeigt die Seite zu AIOps.

Unsere Auszeichnungen, Förderprojekte und Mitgliedschaften im Überblick stehen auf der Seite Auszeichnungen.