REFORM: Increase alerts value using data driven approach
Notice bibliographique
Résumé
We introduce REFORM as a data-driven approach to assess alert quality and increase the value of alerts, reduce alert noise and to identify gaps in alert coverage. In the context of monitoring cloud infrastructure and services, surfacing the right set of alerts to human operators is critical to ensure timely intervention for issues that may otherwise result in significant impact to customers as well as for avoiding operator burnout.To assess alert quality we focus on the notion of actionable alerts – a specific alert is categorized as actionable or not based on historic evidence of operator actions having been taken in response to such alerts. Using alert data collected over a six month period from a combination of cloud environments that include pre-production and production systems, alerts are categorized as true positive, false positive or false negative with respect to their actionability. Based on this, we then introduce and quantify precision and miss rates per alert category (trigger condition) from the historic data. Noisy, non-actionable alerts are identified using precision. Gaps in coverage are identified using miss rate, or failure of monitoring to detect issues.A prescriptive approach is then provided to increase the alerts’ value that includes refinement of alert definitions, replacement of alerts that are no longer actionable and identification of alerting coverage gaps. We monitored our REFORM system over three months and found that the volume of noisy, non-actionable alerts were significantly reduced and furthermore, this resulted in significantly higher intervention rates from the operators.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».