Este documento presenta una metodología de análisis de registros basada en una arquitectura de tres niveles para garantizar la estabilidad y confiabilidad del sistema para los equipos de DevOps. El primer nivel, Investigación de Registros, realiza el etiquetado automático de registros y la clasificación de anomalías. Propone un método para etiquetar datos de registros y un sistema de clasificación que categoriza las anomalías en tres categorías, lo que permite el aprendizaje supervisado sin intervención manual. El segundo nivel, Detección de Anomalías, detecta comportamientos anormales y propone un método flexible de detección de anomalías aplicable al aprendizaje supervisado, semisupervisado y no supervisado. Los resultados de la evaluación en conjuntos de datos públicos e industriales demuestran una alta precisión, con una puntuación F1 de 0,98 a 1,0. El tercer nivel, Análisis de Causa Raíz, identifica el conjunto mínimo de registros que explican las fallas del sistema, la causa de la falla y la secuencia de eventos. Al equilibrar los datos de entrenamiento e identificar los servicios clave, el método detecta consistentemente entre el 90 % y el 98 % de las líneas de registro de causa raíz dentro de los 10 candidatos principales, lo que proporciona información útil para la resolución de problemas. Al integrar estas tres capas, los equipos de DevOps tienen una forma poderosa de mejorar la confiabilidad de sus sistemas de TI.
