Opinnäytetyön tavoitteena oli profiloida tukiasemaohjelmiston testauksen aikana tuotettua suoritinkäyttödataa ja perehtyä poikkeavuuksien havaitsemisessa käytettäviin algoritmeihin ja menetelmiin. Niiden käyttökelpoisuutta tutkittiin ja niiden käytettävyyttä muiden metriikoiden analysoinnissa arvioitiin.

Työ toteutettiin koostamalla aineistot käyttäen sekä hyväksytyksi että hylätyiksi luokiteltujen testien suoritinkäyttödataa. Datan pohjalta luotiin yksinkertainen dataprofiili, joka kuvaa tukiaseman suorittimen keskimääräistä käyttäytymistä testauksen aikana. Hyväksyttyjä ja hylättyjä testejä vertailtiin keskiarvotestin pohjalta luotuun viuhkaprofiiliin. Edistyneemmistä poikkeavuuksien havaitsemisessa käytetyistä menetelmistä tutkittiin alipäästösuodatukseen perustuvia menetelmiä, ARIMA-mallia, LSTM- neuroverkkoa, K-Means-klusterointia ja matriisiprofiilia.

Yksinkertainen vertailu keskiarvotestiin osoittautui menetelmistä tehokkaimmaksi. Opinnäytetyön avulla saatiin paljon pohjustavaa tietoa erilaisten poikkeavuuksien havaitsemisessa käytettyjen menetelmien käyttökelpoisuudesta. Tuloksia voidaan hyödyntää Nokian sisäisten lokianalyysijärjestelmien ja -käytäntöjen jatkojalostamisessa ja kehittämisessä. Työn konkreettinen lopputulos on yli 90-sivuinen Jupyter Notebook -dokumentti. Dokumenttiin on koottu kaavioiden, selitysten ja hyödyllisten linkkien lisäksi toimivaksi havaittuja koodiesimerkkejä, joita voidaan yrittää integroida nykyisiin ja tuleviin lokien analysoinnissa käytettäviin järjestelmiin.