Anomaly Detection and AI-Supported Capacity Planning with Centralized Monitoring Software: An AIOps Focused Approach

Abstract

The increasing complexity of modern IT infrastructures and the exponential growth in data volume render traditional monitoring methods insufficient for ensuring operational continuity. Reactive systems based on static thresholds fail to adapt to dynamic load changes, leading to missed critical performance issues or false alerts causing alert fatigue. This study proposes a hybrid AIOps architecture integrating Zabbix monitoring software, TimescaleDB time-series database, and advanced deep learning algorithms. Statistical (Z-Score), machine learning (Isolation Forest, LOF), and deep learning (LSTM, GRU) models were compared using real-world server data. Experimental results demonstrated that the GRU model was the most successful method in minimizing false alarms with an F0.5-Score of 76.92%. For capacity planning, the Facebook Prophet algorithm accurately predicted disk usage rates and seasonal resource exhaustion. The proposed system enhances operational efficiency by enabling a transition from reactive to proactive management.

Keywords

• AIOps
• Anomaly Detection
• Capacity Planning
• Zabbix
• Deep Learning

Supporting Institution

No financial support was received from any institution or organization for this study.

Ethical Statement

This study does not require ethical committee approval as it does not involve experiments on human or animal subjects and only uses system performance data. All data used in the study consists of anonymized server logs.

Thanks

The authors declare that there is no conflict of interest regarding this study.

Merkezi İzleme Yazılımı ile Anomali Tespiti ve Yapay Zekâ Destekli Kapasite Planlama: AIOps Odaklı Bir Yaklaşım

Abstract

Modern bilgi teknolojileri (BT) altyapılarının artan karmaşıklığı ve veri hacmindeki üstel artış, operasyonel sürekliliği sağlamakla yükümlü ekipler için geleneksel izleme yöntemlerini yetersiz kılmaktadır. Statik eşik değerlere dayalı reaktif sistemler, dinamik yük değişimlerine uyum sağlayamamakta; bu durum kritik performans sorunlarının gözden kaçırılmasına veya alarm yorgunluğuna yol açan yanlış uyarılara neden olmaktadır. Bu çalışmada, endüstri standardı Zabbix izleme yazılımı, TimescaleDB zaman serisi veritabanı ve gelişmiş derin öğrenme algoritmalarını entegre eden hibrit bir AIOps mimarisi önerilmiştir. Çalışma kapsamında, gerçek dünya sunucu verileri üzerinde istatistiksel (Z-Score), makine öğrenimi (Isolation Forest, LOF) ve derin öğrenme (LSTM, GRU) modelleri karşılaştırılmıştır. Deneysel sonuçlar, GRU modelinin %76.92 F0.5-Skoru ile yanlış alarmları minimize etmede en başarılı yöntem olduğunu göstermiştir. Kapasite planlama tarafında ise Facebook Prophet algoritması kullanılarak, disk doluluk oranları ve mevsimsel kaynak tükenişleri yüksek doğrulukla öngörülmüştür. Önerilen sistem, reaktif yönetimden proaktif yönetime geçişi sağlayarak operasyonel verimliliği artırmaktadır.

Keywords

• AIOps
• Anomali Tespiti
• Kapasite Planlama
• Zabbix
• Derin Öğrenme

Supporting Institution

Bu araştırma için herhangi bir kurum veya kuruluştan finansal destek alınmamıştır.

Ethical Statement

Bu çalışma, insan veya hayvan denekler üzerinde deney içermediğinden ve sadece sistem performans verileri kullanıldığından etik kurul izni gerektirmemektedir. Çalışmada kullanılan tüm veriler anonimleştirilmiş sunucu kayıtlarından oluşmaktadır.

Thanks

Yazarlar, çalışma kapsamında herhangi bir çıkar çatışması olmadığını beyan ederler.

References

1. Audibert, J., Michau, P., Campardelli, A., & Boutin, M. (2020). USAD: Unsupervised anomaly detection on multivariate time series. In Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (pp. 3395-3404).
2. Breunig, M. M., Kriegel, H.-P., Ng, R. T., & Sander, J. (2000). LOF: identifying density-based local outliers. Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data, 93–104.
3. Cho, K., van Merriënboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning phrase representations using RNN encoder-decoder for statistical machine translation. arXiv preprint arXiv:1406.1078.
4. Dang, Y., Lin, Q., & Huang, P. (2021). AIOps: Real-world challenges and research innovations. 2021 IEEE/ACM 43rd International Conference on Software Engineering: Companion Proceedings (ICSE-Companion), 4–5.
5. Freedman, M. J. (2017). TimescaleDB: SQL made scalable for time-series data. Timescale Technical Report. https://www.timescale.com/papers/timescaledb.pdf
6. Grubbs, F. E. (1969). Procedures for detecting outlying observations in samples. Technometrics, 11(1), 1–21.
7. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780.
8. Islam, M. S., Rakha, M. S., Pourmajidi, W., Sivaloganathan, J., Steinbacher, J., & Miranskyy, A. (2024). Anomaly detection in large-scale cloud systems: An industry case and dataset. arXiv preprint arXiv:2411.09047. Liu, F. T., Ting, K. M., & Zhou, Z.-H. (2008). Isolation forest. 2008 Eighth IEEE International Conference on Data Mining, 413–422.

9. Manassra, A., & Işık, G. (2025). A model for artificial intelligence supported energy management in smart campuses. Journal of Smart Systems Research, 6(2), 74-92. https://doi.org/10.58769/joinssr.1677699
10. Mendoza, M.-A., & Amistadi, H. R. (2018). Machine learning for anomaly detection on VM and host performance metrics. The MITRE Corporation.
11. Perez, A., & Luckner, M. (2025). A comparison of unsupervised machine learning techniques for anomaly detection in flight data monitoring. Aerospace, 12(2), 151. https://doi.org/10.3390/aerospace12020151
12. Şahin, O., & Karayel, D. (2024). Generative artificial intelligence (GenAI) in business: A systematic review on the threshold of transformation. Journal of Smart Systems Research, 5(2), 156-175. https://doi.org/10.58769/joinssr.1597110
13. Taylor, S. J., & Letham, B. (2018). Forecasting at scale. The American Statistician, 72(1), 37–45.
14. Zabbix. (t.y.). Zabbix documentation. https://www.zabbix.com/documentation/current/en/manual