Bulut tabanlı büyük veri platformlarında mapreduce uygulamaları için açıklanabilir yapay zeka tabanlı performans tahmin modelleri
Explainable artificial intelligence-based performance prediction models for mapreduce applications in cloud-based big data platforms
- Tez No: 1004158
- Danışmanlar: DR. ÖĞR. ÜYESİ ÜMİT DEMİRBAGA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Üsküdar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bulut bilişim ortamlarında performansın doğru biçimde öngörülebilmesi, kaynak kullanımının iyileştirilmesi ve sistem davranışının daha öngörülebilir hale getirilmesi açısından kritik öneme sahiptir. Bu tezde, düşük seviye altyapı metriklerinden yararlanarak bulut görevlerinin performans sınıflandırılması ele alınmakta; bu amaçla XGBoost, Destek Vektör Makineleri (SVM) ve Rastgele Orman tabanlı optimize edilmiş makine öğrenmesi (ML) modelleri kullanılmaktadır. Çalışma, büyük veri sistemleri için gerçek zamanlı izleme sağlayan SmartMonit sistemi ile toplanan veriler üzerinde gerçekleştirilmiştir. Veri kümesine aykırı değer tespiti, zamana duyarlı gruplayama ve min–maks normalizasyon adımlarını içeren bir ön işleme süreci uygulanmıştır. Modellerin başarımı, GridSearchCV ile yapılan hiperparametre optimizasyonu sayesinde daha da artırılmıştır. Eğitim sonrasında modeller, SHAP ve LIME gibi Açıklanabilir Yapay Zekâ (XAI) yöntemleri ile analiz edilerek özellik önemleri ve model kararları sonradan yorumlanmıştır. Ayrıca, SHAP tabanlı önem skorlarını kullanan genetik algoritma temelli bir özellik ağırlığı optimizasyonu uygulanmış ve açıklamaya dayalı bu yeniden ağırlıklandırma yaklaşımıyla tahmin performansı iyileştirilmiştir. Optimizasyon sonrası elde edilen modeller, %92'nin üzerinde doğruluk başarımı elde etmiş ve başlangıç modellere göre yaklaşık %3–4 oranında görece bir artış sağlamıştır. Bulgular, XAI destekli ve iyi ayarlanmış ML modellerinin dinamik bulut ortamlarında hem yüksek doğruluk hem de artan şeffaflık sunarak karar verme süreçlerine katkı sağlayabildiğini göstermektedir.
Özet (Çeviri)
Accurate performance prediction in cloud computing environments is critical for effective resource utilisation and improving the predictability of system operations. This thesis investigates performance classification of cloud tasks based on low-level infrastructure metrics using optimised machine learning (ML) models, specifically XGBoost, Support Vector Machines (SVM), and Random Forest. The experimental study is conducted on data collected via SmartMonit, a real-time monitoring framework for big data systems. A comprehensive preprocessing pipeline is applied to the raw dataset, including outlier detection, time-aware grouping of measurements, and min–max normalisation. The predictive performance of the models is further improved through hyperparameter optimisation using GridSearchCV. After training, the models are analysed using Explainable Artificial Intelligence (XAI) methods such as SHAP (SHapley Additive exPlanations) and LIME (Local Interpretable Model-agnostic Explanations). These techniques enable post hoc interpretation of model behaviour and feature contributions without modifying the original development pipeline. In addition, this thesis proposes a genetic algorithm-based feature weight optimisation strategy driven by SHAP-derived importance scores. This explanation guided reweighting mechanism is used to refine the models and enhance their predictive capability. The optimised models achieve accuracy values above 92%, corresponding to a relative improvement of approximately 3–4% over the baseline models. The results demonstrate that well-tuned ML models, combined with XAI techniques and explanation driven optimisation, can provide both high predictive performance and improved transparency, thereby supporting more informed decision-making in dynamic cloud environments.
Benzer Tezler
- Bulut tabanlı mobil uygulamaların çevrim içi veri elde etme yöntemi kapsamında adli bilişim açısından incelenmesi
Investigation of cloud-based mobile applications in terms of digital forensic within the scope of online data acquisition method
MUSTAFA GÜNGÖR
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiAdli Bilişim Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SAMİ ACAR
- Enhancing Rope data structure for collaborative text editing
Eş zamanlı metin düzenleme için“Rope”veri yapısının iyileştirilmesi
SEMİH SANDAL
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA OVATMAN
- SDN-based Controllable-P2P-assisted CDN for HTTP adaptive live video streaming over edge access networks
Uç erişimli ağlar üzerinden HTTP uyarlamalı canlı video akışı için YTA tabanlı kontrol edilebilir-P2P destekli CDN
SELİN NACAKLI
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET MURAT TEKALP
- Cross-layer design and evaluation of raptor codes for reliable and efficient multimedia content transmission over wlans
Wlan'lar üzerinden güvenilir ve verimli multimedya i̇çeriği i̇letimi için raptor kodlarinin katmanlar-arasi tasarimi ve değerlendirilmesi
BERNA BULUT
Doktora
İngilizce
2015
Elektrik ve Elektronik MühendisliğiUnıversıty Of BrıstolElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ANDREW NIX
- Hatalarla öğrenme tabanlı torus tam homomorfik şifreleme şemasının kalan sayılar sistemi varyantı
Residue number system variant of learning with errors based torus fully homomorphi̇c encryption scheme
SERRA SAZOĞLU