ঐতিহাসিকভাবে, এন্টারপ্রাইজ সংস্থাগুলি অভ্যন্তরীণ ব্যবসায়িক অ্যাপ্লিকেশনগুলির মধ্যে তাদের কর্মীদের ক্রিয়াকলাপগুলি পর্যাপ্তভাবে পর্যবেক্ষণ করেনি। তারা মূলত (এবং অন্ধভাবে) তাদের কর্মীদের বিশ্বাস করত। এই বিশ্বাস দুর্ভাগ্যবশত কিছু দূষিত অভ্যন্তরীণ ক্রিয়াকলাপের কারণে গুরুতর ব্যবসায়িক ক্ষতি করেছে।
মনিটরিং কঠিন যখন ব্যবসায়িক অ্যাপ্লিকেশনে দূষিত কার্যকলাপ সনাক্ত করার জন্য বিদ্যমান সমাধানগুলি প্রধানত নিয়মগুলির উপর ভিত্তি করে যা প্রতিটি অ্যাপ্লিকেশনের জন্য আলাদাভাবে লিখতে এবং বজায় রাখতে হয়। এর কারণ হল প্রতিটি অ্যাপ্লিকেশনে ক্রিয়াকলাপ এবং লগ ফরম্যাটের একটি নির্দিষ্ট সেট রয়েছে। নিয়ম-ভিত্তিক সনাক্তকরণ সমাধানগুলি অনেক মিথ্যা ইতিবাচক (অর্থাৎ, মিথ্যা সতর্কতা) এবং মিথ্যা নেতিবাচক (অর্থাৎ, দূষিত কার্যকলাপ সনাক্ত করা যায় না) তৈরি করে।
সনাক্তকরণ একটি অ্যাপ্লিকেশনের কার্যকলাপের অর্থের জন্য অজ্ঞেয়বাদী হওয়া প্রয়োজন যাতে এটি যে কোনও ব্যবসায়িক অ্যাপ্লিকেশনে প্রয়োগ করা যেতে পারে।
এই চ্যালেঞ্জের সমাধান হল প্রতিটি ক্রিয়াকলাপকে নিজস্বভাবে বিশ্লেষণ করার পরিবর্তে ক্রিয়াকলাপের ক্রম বিশ্লেষণ করা। এর অর্থ হল ব্যবসায়িক অ্যাপ্লিকেশনগুলিতে প্রমাণীকৃত ব্যবহারকারীদের নিরীক্ষণের জন্য আমাদের ব্যবহারকারীর ভ্রমণ (অর্থাৎ, সেশন) বিশ্লেষণ করা উচিত। ক সনাক্তকরণ ইঞ্জিন প্রতিটি ব্যবহারকারী বা সমগোত্রীয়দের জন্য সমস্ত সাধারণ যাত্রা শিখে এবং সাধারণ যাত্রা থেকে বিচ্যুত যাত্রা সনাক্ত করতে সেগুলি ব্যবহার করে৷
একটি শনাক্তকরণ ইঞ্জিনের যে দুটি প্রধান চ্যালেঞ্জ মোকাবেলা করতে হবে তা হল:
- প্রতিটি অ্যাপ্লিকেশনের বিভিন্ন ক্রিয়াকলাপ এবং লগ বিন্যাস রয়েছে।
- আমাদের প্রতিটি অ্যাপ্লিকেশনে এবং অ্যাপ্লিকেশন জুড়ে সাধারণ ব্যবহারকারীর ভ্রমণ সঠিকভাবে শিখতে হবে।
সনাক্তকরণ মডেল মানককরণ
যেকোনো অ্যাপ্লিকেশন লেয়ার লগে একটি শনাক্তকরণ মডেল প্রয়োগ করার জন্য, আমরা প্রতিটি যাত্রা থেকে নিম্নলিখিত তিনটি ক্রম-ভিত্তিক বৈশিষ্ট্য (যেমন, বৈশিষ্ট্যগুলি) আহরণ করতে পারি:
- কার্যকলাপের সেট, প্রতিটি সংখ্যাসূচক কোড দ্বারা চিহ্নিত করা হয়।
- সেশনে যে ক্রমানুসারে কার্যক্রম সম্পাদিত হয়েছিল।
- অধিবেশন চলাকালীন কার্যকলাপের মধ্যে সময়ের ব্যবধান।
এই তিনটি বৈশিষ্ট্য প্রয়োগ করা যেতে পারে কোন অ্যাপ্লিকেশন সেশন, এমনকি অ্যাপ্লিকেশন জুড়ে সেশন পর্যন্ত।
নীচের চিত্রটি পাঁচটি ক্রিয়াকলাপের উপর ভিত্তি করে ব্যবহারকারীর যাত্রার তিনটি বৈশিষ্ট্যকে চিত্রিত করে, প্রতিটি একটি সংখ্যা দ্বারা চিহ্নিত, কারণ কার্যকলাপটি মডেলের দৃষ্টিকোণ থেকে একটি সংখ্যাসূচক কোড।
অ্যাপ জুড়ে সাধারণ ব্যবহারকারীর যাত্রা শেখা
উপরে ব্যাখ্যা করা হয়েছে, অস্বাভাবিক যাত্রা সনাক্তকরণ শেখার উপর ভিত্তি করে সব সাধারণ ব্যবহারকারী ভ্রমণ। ক্লাস্টারিং টেকনোলজি এই ব্যবহারকারীর যাত্রা শিখতে এবং অনুরূপ যাত্রার প্রতিটি গ্রুপের জন্য একটি সাধারণ ব্যবহারকারীর যাত্রা তৈরি করতে অনুরূপ ডেটা পয়েন্টগুলিকে গ্রুপ করে। নতুন লগ ডেটা উপলব্ধ হওয়ার সাথে সাথে এই প্রক্রিয়াটি ক্রমাগত চলে।
একবার সিস্টেমটি ব্যবহারকারীর কাছে সাধারণ যাত্রাগুলি শিখে গেলে, সনাক্তকরণ সমাধান প্রতিটি নতুন যাত্রা পরীক্ষা করে দেখতে পারে যে এটি পূর্বে শেখা একটির মতো কিনা। যদি বর্তমান যাত্রা অতীতের সেশনের সাথে সাদৃশ্য না রাখে, তাহলে সমাধানটি এটিকে একটি অসঙ্গতি হিসাবে চিহ্নিত করে। এর সাথে যুক্ত যাত্রার সাথে বর্তমান যাত্রার তুলনা করাও সম্ভব সমগোত্রীয় ব্যবহারকারীর অন্তর্গত.
একটি সনাক্তকরণ সমাধান অবশ্যই একটি অত্যন্ত নির্ভুল ক্লাস্টারিং ইঞ্জিনের উপর ভিত্তি করে তৈরি করা উচিত যা সিকোয়েন্স ক্লাস্টারিংয়ের জন্য তৈরি করা হয়েছে, যদিও এখনও এটি ক্লাস্টারগুলির যাত্রার সংখ্যায় প্রায় রৈখিক থাকে এবং কতগুলি ক্লাস্টার তৈরি করতে হবে সে সম্পর্কে পূর্ব জ্ঞানের প্রয়োজন হয় না। উপরন্তু, এটি বহিরাগতদের সনাক্ত করতে হবে, ক্লাস্টারিং নির্ভুলতা উন্নত করতে ডেটা সেট থেকে তাদের সরিয়ে ফেলতে হবে এবং এই বহিরাগতদের অসঙ্গতি হিসাবে চিহ্নিত করতে হবে। এইভাবে ক্লাস্টারিং ইঞ্জিন যা একই রকম ব্যবহারকারীর যাত্রার গোষ্ঠী তৈরি করে তা ঐতিহাসিক ডেটাতে অস্বাভাবিক ব্যবহারকারীর যাত্রা সনাক্ত করতে পারে এবং তাদের অসামঞ্জস্য হিসাবে রিপোর্ট করতে পারে।
