دانلود پایان نامه پیش بینی استفاده از منابع در پلتفرم کوبرنتیز با یادگیری ماشین

1. مقدمه 2. پیشینه و کارهای مرتبط 3. رویکرد و روش تحقیق 4. نتایج، ارزیابی و بحث و بررسی 5. نتیجه گیری و کارهای آتی

چکیده – رایانش ابری و کانتینرسازی، در سالهای اخیر رو به افزایش گذاشته اند و به زمینه های پژوهش و توسعه مهمی در علم کامپیوتر تبدیل شده اند. یکی از چالش ها در رایانش توزیع شده و ابری، پیش بینی بهره برداری از منابع گره هایی است که برنامه های کاربردی و خدمات را اجرا می کنند. این امر بخصوص برای پلتفرم های مبتنی بر کانتینتر، مانند کوبرنتیز (Kubernetes)، صدق می کند. پیش بینی بهره برداری از منابع در یک خوشه کوبرنتیز می تواند به بهینه سازی عملکرد، قابلیت اطمینان و مقرون به صرفه بودن پلتفرم کمک کند. این پایان نامه بر کیفیت پیش بینی منابع مختلف در یک خوشه با استفاده از فنون یادگیری ماشین تمرکز می کند. رویکرد اتخاذ شده از 3 مرحله اصلی تشکیل شده است: گردآوری داده ها، استخراج داده ها و پیش پردازش. مرحله گردآوری داده ها شامل ایجاد تنش برروی سیستم با یک تولید کننده بار به نام Locust و گردآوری داده ها از Locust و گردآوری داده ها از کوبرنتیز با استفاده از Prometheus می باشد. مراحل پیش پردازش و استخراج داده ها شامل استخراج داده های مرتبط و تبدیل آنها به یک فرمت مناسب برای مدل های یادگیری ماشین می باشد. مرحله نهایی شامل بکارگیری مدل های یادگیری ماشین مختلف برای داده ها و ارزیابی دقت آنها می باشد. نتایج این پایان نامه نشان می دهند که یادگیری ماشین می تواند عملکرد خوبی برای پیش بینی منابع در یک خوشه براساس میزان تنش برروی سیستم داشته باشد و همچنین اینکه بهترین مدل یادگیری ماشین تست شده از لحاظ عملکرد، ماشین بردار پشتیبان با یک کرنل چند جمله ای بود.

Cloud computing and containerization has been on the rise in recent years and have become important areas of research and development in the field of computer science. One of the challenges in distributed and cloud computing is to predict the resource utilization of the nodes that run the applications and services. This is especially relevant for container-based platforms such as Kubernetes. Predicting the resource utilization of a Kubernetes cluster can help optimize the performance, reliability, and cost-effectiveness of the platform. This thesis focuses on how well different resources in a cluster can be predicted using machine learning techniques. The approach consists of 3 main steps: data collection, data extraction and pre-processing, and data analysis. The data collection step involves stressing the system with a load-generator called Locust and collecting data from Locust and collecting data from Kubernetes with the use of Prometheus. The data preprocessing and extraction step involves extracting relevant data and transforming it into a suitable format for the machine learning models. The final step involves applying different machine learning models to the data and evaluating their accuracy. The results of this thesis illustrate that machine learning can work well for predicting resources in a cluster based on how stressed the system is and that the best performing machine learning model tested was Support Vector Machine with a polynomial kernel.