Ağ kaynak kullanımlarının zaman serisi analizleri ile kestirimi
Estimation of network resource utilizatin with time series analysis
- Tez No: 817682
- Danışmanlar: DOÇ. DR. HABİL KALKAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 76
Özet
Büyük veri analizinin önemli dallarından biri olan zaman serisi tahmini ile, bir ya da daha fazla değişkene sahip geçmiş zamana ait veriler kullanılarak gelecek zaman noktalarına ait verilerin tahmin edilmesi hedeflenir. Günümüzde bulut bilişim ve büyük verinin popülaritesinin artması ile birlikte, veri merkezlerinde konumlandırılan fiziksel sunucuların gelecek dönemlerdeki kaynak kullanımlarının tahmin edilmesi, zaman serisi analizi alanında yapılan araştırmalar için yenilikçi ve gelişime açık bir alan haline gelmiştir. Veri merkezleri, bulut bilişime hizmet eden fiziksel sunucuları ve bu sunucuların donanım ekipmanlarını depolar. Veri merkezlerinde çalışan bu makinelerde iş birimlerini programlayan yönetim mevcut CPU/RAM kullanımı ve çalışan iş sayısı bilgilerini dikkate alamadığından hizmet sağlayıcılarının verimli bir şekilde kaynak tahsis etmesini zorlaştırır. Bu nedenle gerçekleştirilen çalışmada amaç, oldukça geniş bir hizmet ağına sahip olan bir bulut servis sağlayıcısına ait veri merkezlerinde konumlanan kümelerin kaynak kullanımlarını tahmin etmektir. Bu amaçla istatistiksel tahmin modelleri ve derin öğrenme tekniklerinden faydalanarak 44 adet öznitelik kullanılarak 6 farklı kaynak kullanım tahmin modeli geliştirilmiştir. İlk olarak bulut hizmetlerine ait iş yüklerinde uzun menzilli bağımlılığın ARIMA ve VAR gibi geleneksel yöntemler ile farklı geliştirilen tahmin modellerini nasıl etkilediği incelenmiştir. Derin öğrenme tekniklerinden ise RNN, LSTM, BiLSTM ve BiLSTM-RNN modelleri geliştirilerek, tahmin için kullanılacak olan geçmiş zaman adımı noktası sayısı yani pencere boyutları sırası ile 1 hafta, 2 hafta ve 3 hafta olacak şekilde modellere verilmiştir ve gelecek 28 zaman adımı için çok adımlı zaman serisi tahmini yapılmıştır. 2 ayrı veri ayrıştırma yöntemi ile test edilmiştir. Son olarak geliştirilen çok değişkenli çok adımlı zaman serisi tahmin modellerine ait deneysel sonuçlar karşılaştırılmıştır.
Özet (Çeviri)
With time series estimation, which is one of the important branches of big data analysis, it is aimed to predict the data of future time points by using data from the past with one or more variables. Today, with the increasing popularity of cloud computing and big data, estimating future resource usage of physical servers located in data centers has become an innovative and open field for researches in the field of time series analysis. Data centers store physical servers serving cloud computing and the hardware equipment of these servers. Management that schedules work units on these machines running in data centers cannot take into account available CPU/RAM usage and worker job count information, making it difficult for service providers to allocate resources efficiently. For this reason, the aim of the study is to estimate the resource usage of the clusters located in the data centers of a cloud service provider with a wide service network. For this purpose, 6 different resource usage forecasting models were developed by using 44 features by using statistical forecasting models and deep learning techniques. First of all, it is examined how long-range dependency in cloud services workloads affects prediction models developed differently with traditional methods such as ARIMA and VAR. Among the deep learning techniques, RNN, LSTM, BiLSTM and BiLSTM-RNN models were developed and the number of past time step points to be used for prediction, that is, window sizes, were given to the models as 1 week, 2 weeks and 3 weeks, respectively, and multi-step for the next 28 time steps. time series estimation was made. It has been tested with 2 different data parsing methods. Finally, the experimental results of the developed multivariate multi-step time series forecasting models were compared.
Benzer Tezler
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Geniş alan ağlarında ağ performansının raporlanmasını sağlayan örnek bir uygulama
Reporting network performance in wide area networks an example application
AHMET CANSEVER
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. CAN AYDIN
- Mac sublayer protocol design and optimization for aerial swarms
Sürü dronları için mac alt katmanında protokol tasarımı ve optimizasyonu
ESİN ECE AYDIN
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN SEÇİNTİ
- Self-organized network management model for next generation wireless heterogeneous systems
Yeni nesil kablosuz çoktürel sistemlerde kendini düzenleyen ağ yönetim modeli
ÖZGÜR UMUT AKGÜL
Yüksek Lisans
İngilizce
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. BERK CANBERK
- Fen bilgisi öğretmen adayları ve ilköğretim öğrencilerinin sosyal ağları kullanım amaçları ve eğitsel bağlamda kullanımları
Purposes of social networks usage of science student teachers and primary students and their utilization in educational context
OYLUM ÇAVDAR
Yüksek Lisans
Türkçe
2012
Eğitim ve ÖğretimKaradeniz Teknik Üniversitesiİlköğretim Ana Bilim Dalı
DOÇ. DR. NEVZAT YİĞİT