1. Ανίχνευση αποκλίνουσας συμπεριφοράς
συστημάτων λογισμικού με τη χρήση μεθόδων
μηχανικής μάθησης
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ
ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ
ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ
ΤΟΜΕΑΣ ΗΛΕΚΤΡΟΝΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ
Αναστασία Ηροδότου
ΕΡΓΑΣΤΗΡΙΟ ΕΠΕΞΕΡΓΑΣΙΑΣ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΥΠΟΛΟΓΙΣΜΩΝ
Υπό την επίβλεψη του
Ανδρέα Λ. Συμεωνίδη
Επίκουρου Καθηγητή
και του
Μίλτου Αλλαμανή
Υποψήφιου Διδάκτορα
Θεσσαλονίκη 2013

2. Στόχος της εργασίας
•Ανίχνευση ανωμαλιών
•Χρήση ταξινομητών SVM και GMM
2Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

3. Μηχανική Μάθηση και
Ανίχνευση Ανωμαλιών (1/2)
Μηχανική Μάθηση (machine learning)
• Κλάδος τεχνητής νοημοσύνης
•Δημιουργία μηχανών ικανών να «μαθαίνουν»
•Βελτίωση της απόδοσης αξιοποιώντας προηγούμενη εμπειρία
3Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

4. Μηχανική Μάθηση και
Ανίχνευση Ανωμαλιών (2/2)
Ανίχνευση Ανωμαλιών (fault/anomaly detection)
• αναγνώριση δεδομένων τα οποία δεν ακολουθούν την
αναμενόμενη συμπεριφορά.
4Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

5. Τεχνολογίες που χρησιμοποιήθηκαν
Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης 5

6. Robot Operating System
Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης 6
• Δίκτυο κόμβων peer-to-peer
• Επικοινωνία κόμβων μέσω:
o Services
o Messages
• Parameter Server
• Bιβλιοθήκη actionlib
• Package management

7. Ταξινομητές/Classifiers
Ταξινόμηση (classification):
•Φάση εκπαίδευσης
•Φάση δοκιμής/ταξινόμησης
Ταξινομητές:
•SVM (Support Vector Machines)
•GMM (Gaussian Mixture Models)
7Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

8. SVM
• SVM- Βασισμένος σε διανύσματα υποστήριξης
• Εκτελεί την ταξινόμηση βρίσκοντας το υπερεπίπεδο που
μεγιστοποιεί το περιθώριο μεταξύ των δύο κατηγοριών.
8Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

9. SVM(2/2)
• Φάση εκπαίδευσης:
– Λήψη παραδειγμάτων εκπαίδευσης που ανήκουν σε κάποια από τις
δύο κατηγορίες.
– Δημιουργία μοντέλου
• Φάση Ταξινόμησης:
– Νέα παραδείγματα αντιστοιχίζονται στο ίδιο διάστημα
– Πρόβλεψη κατηγορίας με βάση την πλευρά του διαστήματος που θα
πέσουν
Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης 9

10. GMM(1/2)
• GMM- Βασισμένο σε κατανομή μίξης Gaussian.
• Συνάρτηση πυκνότητας πιθανότητας σε μια κατανομή μίξης:
• Gaussian (κανονική) κατανομή μίξης:
10Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

11. GMM(2/2)
• Φάση εκπαίδευσης:
– υπολογίζονται οι συναρτήσεις πυκνότητας πιθανότητας των
παρατηρήσεων
– δημιουργείται το μοντέλο μίξης
• Φάση ταξινόμησης:
– υπολογίζεται η log-πιθανότητα για το κάθε στιγμιότυπο
– καθορίζονται ανωμαλίες
11Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

12. Εξέλιξη διπλωματικής
– Abalone - E-coli
Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης 12

13. Το πρόβλημα των
συνδαιτυμόνων
φιλοσόφων
• Ν φιλόσοφοι
• t- σκέφτεται
• e- τρώει
• κ- πιρούνια που χρειάζεται για να φάει
• F- διαθέσιμα πιρούνια
13Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

14. Ο κώδικας των
συνδαιτυμόνων φιλοσόφων
14Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

15. Φάση εκπαίδευσης(1/5)
Φιλόσοφος 1 Φιλόσοφος 2 Φιλόσοφος 3 Φιλόσοφος 4 Φιλόσοφος 5
t1 2.82 1.90 1.08 2.13 1.99
15Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

16. Φάση εκπαίδευσης(2/5)
Φιλόσοφος 1 Φιλόσοφος 2 Φιλόσοφος 3 Φιλόσοφος 4 Φιλόσοφος 5
t1 2.82 1.90 1.08 2.13 1.99
t2 2.71 1.70 1.13 2.22 1.78
16Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

17. Φάση εκπαίδευσης(3/5)
Φιλόσοφος 1 Φιλόσοφος 2 Φιλόσοφος 3 Φιλόσοφος 4 Φιλόσοφος 5
t1 2.82 1.90 1.08 2.13 1.99
t2 2.71 1.70 1.13 2.22 1.78
t3 2.97 1.52 1.63 2.48 1.59
17Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

18. Φάση εκπαίδευσης(4/5)
Φιλόσοφος 1 Φιλόσοφος 2 Φιλόσοφος 3 Φιλόσοφος 4 Φιλόσοφος 5
t1 2.82 1.90 1.08 2.13 1.99
t2 2.71 1.70 1.13 2.22 1.78
t3 2.97 1.52 1.63 2.48 1.59
t4 2.66 1.36 1.87 2.22 1.66
18Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

19. Φάση εκπαίδευσης(5/5)
Φιλόσοφος 1 Φιλόσοφος 2 Φιλόσοφος 3 Φιλόσοφος 4 Φιλόσοφος 5
t1 2.82 1.90 1.08 2.13 1.99
t2 2.71 1.70 1.13 2.22 1.78
t3 2.97 1.52 1.63 2.48 1.59
t4 2.66 1.36 1.87 2.22 1.66
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
Classifier
(training)
Trained Classifier
Model 19Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

20. Ο φυσιολογικός φιλόσοφος
20Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

21. Φιλόσοφοι με ιδιάζουσες
συμπεριφορές(1/4)
Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης 21

22. Φιλόσοφοι με ιδιάζουσες
συμπεριφορές(2/4)
Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης 22

23. Φιλόσοφοι με ιδιάζουσες
συμπεριφορές(3/4)
Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης 23

24. Φιλόσοφοι με ιδιάζουσες
συμπεριφορές(4/4)
24Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

25. Φάση ταξινόμησης(1/5)
Φιλόσοφος 1 Φιλόσοφος 2 Φιλόσοφος 3 Φιλόσοφος 4 Φιλόσοφος 5
t1 2.82 1.90 1.08 2.13 1.99
Πίνακας πείνας
Φιλόσοφος 1 Φιλόσοφος 2 Φιλόσοφος 3 Φιλόσοφος 4 Φιλόσοφος 5
t1 1 1 1 1 1
Πίνακας συμπεριφοράς
25Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

26. Φάση ταξινόμησης(2/5)
Φιλόσοφος 1 Φιλόσοφος 2 Φιλόσοφος 3 Φιλόσοφος 4 Φιλόσοφος 5
t1 2.82 1.90 1.08 2.13 1.99
t2 2.71 1.70 1.13 2.22 1.78
Φιλόσοφος 1 Φιλόσοφος 2 Φιλόσοφος 3 Φιλόσοφος 4 Φιλόσοφος 5
t1 1 1 1 1 1
t2 1 1 1 1 1
Πίνακας συμπεριφοράς
Πίνακας πείνας
26Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

27. Φάση ταξινόμησης(3/5)
Φιλόσοφος 1 Φιλόσοφος 2 Φιλόσοφος 3 Φιλόσοφος 4 Φιλόσοφος 5
t1 2.82 1.90 1.08 2.13 1.99
t2 2.71 1.70 1.13 2.22 1.78
t3 2.97 1.52 1.63 2.48 2341
Φιλόσοφος 1 Φιλόσοφος 2 Φιλόσοφος 3 Φιλόσοφος 4 Φιλόσοφος 5
t1 1 1 1 1 1
t2 1 1 1 1 1
t3 1 1 1 1 -1
27Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

28. Φάση ταξινόμησης(4/5)
Φιλόσοφος 1 Φιλόσοφος 2 Φιλόσοφος 3 Φιλόσοφος 4 Φιλόσοφος 5
t1 2.82 1.90 1.08 2.13 1.99
t2 2.71 1.70 1.13 2.22 1.78
t3 2.97 1.52 1.63 2.48 2341
t4 2.66 1.36 1.87 2.22 6666
Φιλόσοφος 1 Φιλόσοφος 2 Φιλόσοφος 3 Φιλόσοφος 4 Φιλόσοφος 5
t1 1 1 1 1 1
t2 1 1 1 1 1
t3 1 1 1 1 -1
t4 1 1 1 1 -1
Πίνακας πείνας
Πίνακας συμπεριφοράς
28Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

29. Φάση ταξινόμησης(5/5)
Φιλόσοφος 1 Φιλόσοφος 2 Φιλόσοφος 3 Φιλόσοφος 4 Φιλόσοφος 5
t1 2.82 1.90 1.08 2.13 1.99
t2 2.71 1.70 1.13 2.22 1.78
t3 2.97 1.52 1.63 2.48 2341
t4 2.66 1.36 1.87 2.22 6666
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
Trained Classifier
Model
1
1
-1
-1
1
1
-1
1
.
.
.
.
.
Πίνακας αποτελεσμάτων
29Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

30. Φάση αξιολόγησης(1/2)
Φιλόσοφος 1 Φιλόσοφος 2 Φιλόσοφος 3 Φιλόσοφος 4 Φιλόσοφος 5
t1 1 1 1 1 1
t2 1 1 1 1 1
t3 1 1 1 1 -1
t4 1 1 1 1 -1
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
1
1
-1
-1
.
.
.
.
.
Πίνακας συμπεριφοράς
Τελικός πίνακας
συμπεριφοράς
30Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

31. Φάση αξιολόγησης(2/2)
1
1
-1
-1
.
.
.
.
.
Τελικός πίνακας
συμπεριφοράς
1
1
-1
-1
1
1
-1
1
Πίνακας αποτελεσμάτων
Anomaly Recall
Accuracy
Anomaly
Precision
31Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

32. Πειράματα
32Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

33. Το κυλιόμενο παράθυρο
• Πρόβλημα collective ανωμαλιών.
• Χρησιμοποιήθηκαν στους πίνακες δεδομένων κυλιόμενα
παράθυρα διαφόρων μεγεθών.
33Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

34. Αποτελέσματα
Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης 34
Classifier: SVM SVM SVM SVM GMM GMM GMM GMM
Window: 1 3 5 7 1 3 5 7
0 0 0 0 0 0 0 0
True_Negatives(tn): 527 558 567 515 540 386 402 324
49 16 5 55 36 188 170 246
0 0 0 0 0 0 0 0
576 574 572 570 576 574 572 570
Anomaly_Recall: 0 0 0 0 0 0 0 0
Accuracy: 0,9149305556 0,9721254355 0,9912587413 0,9035087719 0,9375 0,6724738676 0,702797203 0,568421053
True_Positives(tp):
False_positives(fp):
False_negatives(fn):
tp+tn+fp+fn=
SVM GMM
Anomaly_Recall: 0 0
Accuracy: 0.95 0.72
Anomaly_Precision: 0 0

35. Αποτελέσματα
Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης 35
C la s s if ie r : S V M S V M S V M S V M G M M G M M G M M G M M
W in d o w : 1 3 5 7 1 3 5 7
T r u e _ P o s it iv e s ( t p ) : 0 0 0 0 0 0 0 0
T r u e _ N e g a t iv e s ( t n ) : 2 7 6 2 9 0 2 7 6 1 7 3 2 5 5 1 7 0 1 3 2 6 5
F a ls e _ p o s it iv e s ( f p ) : 3 2 5 3 0 9 3 2 1 4 2 2 3 4 6 4 2 9 4 6 5 5 3 0
F a ls e _ n e g a t iv e s ( f n ) : 0 0 0 0 0 0 0 0
t p + t n + f p + f n = 6 0 1 5 9 9 5 9 7 5 9 5 6 0 1 5 9 9 5 9 7 5 9 5
A n o m a ly _ R e c a ll: 0 0 0 0 0 0 0 0
A c c u r a c y : 0 . 4 5 9 2 3 4 6 0 9 0 . 4 8 4 1 4 0 2 3 3 7 0 . 4 6 2 3 1 1 5 5 7 8 0 . 2 9 0 7 5 6 3 0 2 5 0 . 4 2 4 2 9 2 8 4 5 3 0 . 2 8 3 8 0 6 3 4 3 9 0 . 2 2 1 1 0 5 5 2 7 6 0 . 1 0 9 2 4 3 6 9 7 5
A n o m a ly _ P r e c is io n : 0 0 0 0 0 0 0 0
f a u lt y : 1 9 1 9 1 9 1 9 1 9 1 9 1 9 1 9
SVM GMM
Anomaly_Recall: 0 0
Accuracy: 0.42 0.26
Anomaly_Precision: 0 0

36. Αποτελέσματα
Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης 36
SVM GMM
Anomaly_Recall: 0.99 0.99
Accuracy: 0.98 0.89
Anomaly_Precision: 0.98 0.86
C la s s if ie r : S V M S V M S V M S V M G M M G M M G M M G M M
W in d o w : 1 3 5 7 1 3 5 7
T r u e _ P o s it iv e s (t p ): 3 8 6 3 9 1 3 9 1 3 9 2 3 8 7 3 9 1 3 9 3 3 9 3
T r u e _ N e g a t iv e s ( t n ) : 1 9 5 2 0 7 2 0 6 1 9 5 1 9 2 1 3 1 1 3 9 1 1 2
F a ls e _ p o s it iv e s ( f p ) : 1 5 1 0 9 1 8 7 7 6 7 9 2
F a ls e _ n e g a t iv e s ( f n ) : 9 4 4 3 8 4 2 2
t p + t n + f p + f n = 6 0 5 6 0 3 6 0 1 5 9 9 6 0 5 6 0 3 6 0 1 5 9 9
A n o m a ly _ R e c a ll: 0 . 9 7 7 2 1 5 1 8 9 9 0 . 9 8 9 8 7 3 4 1 7 7 0 . 9 8 9 8 7 3 4 1 7 7 0 . 9 9 2 4 0 5 0 6 3 3 0 . 9 7 9 7 4 6 8 3 5 4 0 . 9 8 9 8 7 3 4 1 7 7 0 . 9 9 4 9 3 6 7 0 8 9 0 . 9 9 4 9 3 6 7 0 8 9
A c c u r a c y : 0 . 9 6 0 3 3 0 5 7 8 5 0 . 9 9 1 7 0 8 1 2 6 0 . 9 9 3 3 4 4 4 2 6 0 . 9 7 9 9 6 6 6 1 1 0 . 9 5 7 0 2 4 7 9 3 4 0 . 8 6 5 6 7 1 6 4 1 8 0 . 8 8 5 1 9 1 3 4 7 8 0 . 8 4 3 0 7 1 7 8 6 3
A n o m a ly _ P re c is io n : 0 . 9 6 2 5 9 3 5 1 6 2 0 . 9 9 7 4 4 8 9 7 9 6 1 0 . 9 7 7 5 5 6 1 0 9 7 0 . 9 5 5 5 5 5 5 5 5 6 0 . 8 3 5 4 7 0 0 8 5 5 0 . 8 5 4 3 4 7 8 2 6 1 0 . 8 1 0 3 0 9 2 7 8 4
f a u lt y : 2 0 2 0 2 0 2 0 2 0 2 0 2 0 2 0

37. Αποτελέσματα-Συμπεράσματα
Πείραμα 2: SVM GMM
Μέσος Όρος:
Anomaly_Recall: 42,00% 45,00%
Accuracy: 60,00% 55,00%
Anomaly_Precision: 46,00% 40,00%
Πείραμα 3: SVM GMM
Μέσος Όρος:
Anomaly_Recall: 57,00% 54,00%
Accuracy: 73,00% 70,00%
Anomaly_Precision: 72,00% 62,00%
Πείραμα 4: SVM GMM
Μέσος Όρος:
Anomaly_Recall: 41,00% 45,00%
Accuracy: 59,00% 53,00%
Anomaly_Precision: 48,00% 43,00%
37Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης
Πείραμα 1: SVM GMM
Μέσος Όρος:
Anomaly_Recall: 60,00% 66,00%
Accuracy: 74,00% 69,00%
Anomaly_Precision: 73,00% 68,00%

38. Μελλοντικές επεκτάσεις
• Διαφορετικές παράμετροι παρόντων ταξινομητών
• Διαφορετικοί χρόνοι εκπαίδευσης και ταξινόμησης
• Χρήση διαφορετικών ταξινομητών
• Pandora Robot ???
38Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης

39. Ευχαριστώ..
39Ανίχνευση σφαλμάτων συστημάτων λογισμικού με τη χρήση μεθόδων μηχανικής μάθησης