velikost textu

Strojové učení pro monitorování počítačových clusterů

Upozornění: Informace získané z popisných dat či souborů uložených v Repozitáři závěrečných prací nemohou být použity k výdělečným účelům nebo vydávány za studijní, vědeckou nebo jinou tvůrčí činnost jiné osoby než autora.
Název:
Strojové učení pro monitorování počítačových clusterů
Název v angličtině:
Machine Learning in the Monitoring of Computer Clusters
Typ:
Diplomová práce
Autor:
Bc. Martin Adam
Vedoucí:
Mgr. Martin Pilát, Ph.D.
Oponent:
Mgr. Štěpán Balcar
Konzultant:
Dagmar Adamová
Id práce:
199666
Fakulta:
Matematicko-fyzikální fakulta (MFF)
Pracoviště:
Katedra teoretické informatiky a matematické logiky (32-KTIML)
Program studia:
Informatika (N1801)
Obor studia:
Umělá inteligence (IUI)
Přidělovaný titul:
Mgr.
Datum obhajoby:
3. 2. 2020
Výsledek obhajoby:
Výborně
Jazyk práce:
Čeština
Klíčová slova:
strojové učení, správa systémů, detekce anomálií
Klíčová slova v angličtině:
machine learning, system administration, anomaly detection
Abstrakt:
Vzrůstající počet požadavků na zpracovávání neustále rostoucích objemů dat dalo vzniknout novému způsobu správy počítačových systémů. V novém paradigmatu vzkvé- tají dynamicky vytvářené virtualizované servery, na kterých béží distribuované aplikace, každá zabírající mnoho samostatných strojů. Pro hladký a stabilní běh těchto aplikací je rozhodující efektivita detekce a opravy případných chybových stavů, do kterých se servery dostávají. Standardní monitorovací metody s nadstavbovými metodami na chy- bovou signalizaci nedávají při použití v tomto prostředí uspokojívé výsledky. V této práci popisujeme vytvoření systému k nasbírání datasetu tvořeného výkonostními metrikami klastru serverů, na kterých běží distribuovaná aplikace. Na těchto datech jsme následně ozkoušeli několik různých modelů. Navrhujeme pak systém na detekci anomálií, který by upozorňoval na chybné stavy využívající nejlepší z těchto modelů. 1
Abstract v angličtině:
With the explosion of the number of distributed applications, a new dynamic server environment emerged grouping servers into clusters, whose utilization depends on the cur- rent demand for the application. Detecting and fixing erratic server behavior is paramount for providing maximal service stability and availability. Using standard techniques to de- tect such behavior is yielding sub-optimal results. We have collected a dataset of OS-level performance metrics from a cluster running a streaming distributed application and in- jected artificially created anomalies. We then selected a set of various machine learning algorithms and trained them for anomaly detection on said dataset. We evaluated the algorithms performance and proposed a system for generating notifications of possible erratic behavior, based on the analysis of the best performing algorithm. 1
Dokumenty
Stáhnout Dokument Autor Typ Velikost
Stáhnout Text práce Bc. Martin Adam 1.05 MB
Stáhnout Příloha k práci Bc. Martin Adam 192.12 MB
Stáhnout Abstrakt v českém jazyce Bc. Martin Adam 38 kB
Stáhnout Abstrakt anglicky Bc. Martin Adam 38 kB
Stáhnout Posudek vedoucího Mgr. Martin Pilát, Ph.D. 52 kB
Stáhnout Posudek oponenta Mgr. Štěpán Balcar 70 kB
Stáhnout Záznam o průběhu obhajoby prof. RNDr. Roman Barták, Ph.D. 152 kB