Інтелектуальна система діагностування та виходу з ладу серверного обладнання на базі продукту Hivecell
Автор: Лі Вейлян
Кваліфікаційний рівень: магістр
Спеціальність: Інформаційні системи та технології
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2024-2025 н.р.
Мова захисту: англійська
Анотація: Коли йдеться про прогнозування, значна частина проблем пов’язана з можливістю обробляти великі обсяги даних, що є складним завданням для вирішення на одній машині, навіть якщо її потужність відносно велика, або з експериментальними проблемами та їх рішеннями. З розвитком і поширенням веб-технологій значення підтримки прийняття рішень у режимі реального часу зростає ще більше, адже саме в таких умовах можна здійснювати точне прогнозування складних систем. Надійність і масштабованість системи, а також простота використання впливають на стабільність і швидкість впровадження прийнятого рішення. Перевага кластерів полягає в тому, що вони частково вирішують цю проблему. Методи класифікації та візуалізації є дуже гнучкими і, будучи розширеними для прогнозування, забезпечують мінімальні витрати. Актуальність теми дослідження. Найпоширенішою проблемою високопродуктивних серверних систем є те, що клієнти вимагають, щоб ці системи ніколи не виходили з ладу, однак апаратні компоненти схильні до відмов. Ця дихотомія призвела до створення серверних рішень, що покладаються на реплікацію, з гарячою заміною системних плат і процесорів у кожній системі. Хоча ці системи рідко "падають", окремі апаратні компоненти все одно можуть виходити з ладу, через що програма, яка працює на них, також припиняє роботу. Такі відмови мають високу вартість для клієнтів, які можуть зазнати втрат у послугах. Вони також створюють значні труднощі для постачальників обладнання, які змушені направляти спеціалізованих техніків для вирішення проблеми та замінювати високоспеціалізовані компоненти. Якщо відмову неможливо передбачити, можна вжити запобіжних заходів для її пом’якшення. На щастя, багато серверів створені з використанням сенсорів, які контролюють стан їхнього апаратного та програмного забезпечення. Однак незрозуміло, чи є інформація, отримана від сенсорів, корисною для прогнозування відмов. Наша мета полягає в тому, щоб показати, що дані сенсорів насправді корисні для цієї мети. Це досягається шляхом розробки системи, яка застосовує методи машинного навчання до даних сенсорів для прогнозування апаратних збоїв. Мета роботи: розробка системи, призначеної для збору та обробки даних із сенсорів серверного обладнання, зокрема Hivecell, а також для діагностики та прогнозування можливих збоїв. Об’єктом дослідження є серверне обладнання, зокрема Hivecell. Предметом дослідження є всі можливі ситуації та причини відмов і збоїв серверного обладнання. Завдання дослідження У роботі вирішуються такі завдання: • аналіз існуючих систем збору та обробки великих даних у реальному часі та вибір найбільш підходящої для вирішення поставленої задачі; • вибір алгоритму прогнозування результатів; • аналіз існуючих архітектур багатоплатформних багатокористувацьких систем і вибір відповідних до поставленої мети; • створення програмного модуля для вирішення задачі збору та обробки даних, який відповідає вимогам реального часу, аналіз витрат часу на його різні частини; • створення прогностичного модуля на основі отриманих пропозицій і результатів; • визначення ефективності отриманого рішення. Наукова новизна отриманих результатівНаукові результати включають дослідження можливостей компонентів інтелектуальних систем для діагностики та прогнозування відмов серверного обладнання з використанням архітектури лямбда. Також передбачена можливість прогнозування результатів у перспективі. Практичне значення отриманих результатівВажливість цієї роботи полягає в тому, що її результатом є програмне забезпечення, яке агрегує та обробляє дані, отримані від серверного обладнання, і дозволяє прогнозувати можливі збої або несправності системи за допомогою машинного навчання. Крім того, система заощаджує фінансові ресурси та мінімізує вплив людського фактору на результат.