Μονάδα:
Τμήμα Πληροφορικής & ΤηλεπικοινωνιώνΠληροφορική
Ημερομηνία κατάθεσης:
2024-02-29
Συγγραφέας:
ΑΝΕΜΟΓΙΑΝΝΗΣ ΒΥΡΩΝ ΓΕΩΡΓΙΟΣ
Στοιχεία επιβλεπόντων καθηγητών:
Χατζηευθυμιάδης Ευστάθιος, Καθηγητής, Τμήμα Πληροφορικής και Τηλεπικοινωνιών, ΕΚΠΑ
Πρωτότυπος Τίτλος:
Anomaly Detection and Prediction on Kubernetes Resources
Γλώσσες εργασίας:
Αγγλικά
Μεταφρασμένος τίτλος:
Ανίχνευση και Πρόβλεψη ανωμαλιών σε πόρους του Κυβερνήτη
Περίληψη:
Τα τελευταία χρόνια, ο προγραμματισμός έργων λογισμικού σε υποδομές στον νέφος που διαχειρίζονται μέσω του Kubernetes έχει γίνει συνηθισμένος. Αυτή η τάση έχει οδηγήσει στη διαχείριση πληθώρας στοιχείων που διασκορπίζονται σε κόμβους, καθένας με τις δικές του μοναδικές προδιαγραφές. Η αποτελεσματική επίβλεψη και εξασφάλιση της ομαλής λειτουργίας τέτοιων υποδομών αποτελεί μια προκλητική και πόρο-επιβαρυντική εργασία.
Αυτή η διατριβή, η οποία αποτελεί μέρος του έργου EO4EU, έχει ως στόχο τον ευθυγράμμιση των πόρων παρακολούθησης με τη χρήση τεχνικών μηχανικής μάθησης. Για να επιτευχθεί αυτός ο στόχος, κατασκευάσαμε αρχικά μια παράλληλη αναπαράσταση του συστήματος Kubernetes χρησιμοποιώντας μία Γραφική Βάση Δεδομένων, το οποίο συντηρούνται και ενημερωνόνται τακτικά. Μέσω της παρακολούθησης του γραφήματος και της αξιοποίησης της δομής του για να επισημαίνουμε τις αλληλεπιδράσεις μεταξύ των στοιχείων, αποκτήσαμε εισηγήσεις σχετικά με τη συμπεριφορά του συστήματος.
Χρησιμοποιώντας μοντέλα μη υποβλητικής μάθησης, κατηγοριοποιήσαμε τις παρατηρήσεις μας ως ανομαλίες ή μη. Στη συνέχεια, χρησιμοποιήσαμε αυτές τις επισημειωμένες παρατηρήσεις για να εκπαιδεύσουμε ένα μοντέλο υποβλητικής μάθησης. Αυτό το μοντέλο διευκολύνει την ενημέρωση του γραφήματος με ένα βαθμό ανομαλίας που αντιστοιχεί σε κάθε στοιχείο. Ενώ το έργο βρίσκεται ακόμη στα αρχικά του στάδια, πρόχειρες δοκιμές έχουν επιδείξει ελπιδοφόρα αποτελέσματα, αν και δεν έχει ενσωματωθεί ακόμη πραγματικά δεδομένα από τον πραγματικό κόσμο.
Κύρια θεματική κατηγορία:
Τεχνολογία – Πληροφορική
Λέξεις-κλειδιά:
Υπολογιστικό Νέφος, Kubernetes, Μηχανική Μάθηση, Διαχείριση Υποδομής, Γραφικές Βάσεις Δεδομένων, Εντοπισμός Ανωμαλιών, Παρακολούθηση, Έργο EO4EU, Μοντέλα Μη Υποβλητικής Μάθησης, Μοντέλα Υποβλητικής Μάθησης, Παράλληλη Αναπαράσταση, Τακτική Συντήρηση, Αλληλεπιδράσεις Στοιχείων, Προκαταρκτικές Δοκιμές, Δεδομένα Πραγματικού Κόσμου
Αρ. σελίδων ευρετηρίου:
4
Αρ. βιβλιογραφικών αναφορών:
37
