Makine öğrenmesi kullanarak sunucu performans analizi
Server performance analysis using machine learning
- Tez No: 985016
- Danışmanlar: DOÇ. DR. CEMAL KOÇAK
- 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: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dijitalleşmenin hızla artmasıyla birlikte veri merkezleri ve sanal sunucular, modern bilgi işlem altyapılarının en temel bileşenlerinden biri hâline gelmiştir. Bu ortamlarda sunucu performansının doğru şekilde tahmin edilmesi; hizmet kesintilerinin önlenmesi, kaynak tahsisi ve maliyet optimizasyonu açısından büyük önem taşımaktadır. Ancak MİB ve bellek gibi temel kaynakların kullanımında görülen ani dalgalanmalar, mevcut yöntemlerin yetersiz kalmasına yol açmaktadır. Literatürde sunucu performansı tahminine yönelik çeşitli istatistiksel ve makine öğrenmesi tabanlı yöntemler önerilmiş olsa da, bu çalışmaların önemli bir kısmı ya yalnızca MİB ya da yalnızca bellek kullanımına odaklanmış, iki kaynak kullanım tahmininin aynı çalışmada ele alınması sınırlı kalmıştır. Ayrıca, geleneksel yöntemler çoğu zaman zaman serisi bağımlılık ilişkilerini yakalamakta zorlanmaktadır. Bu tez çalışmasında, sanallaştırılmış sunucu ortamlarında MİB ve bellek kullanımına ilişkin çok değişkenli zaman serilerinin tahmini amacıyla UKSB ve KTB katmanlarının hibrit bir yapıda bir araya getirildiği derin öğrenme tabanlı bir model önerilmiştir. Önerilen bu yapı, UKSB katmanının uzun dönemli bağımlılıkları öğrenmedeki gücü ile KTB katmanının hesaplama verimliliği ve daha az parametreyle hızlı yakınsama avantajlarını bir araya getirerek tahmin başarımının artırılmasına katkı sağlamıştır. Çalışmada kullanılan GWA-T-13 Materna veri kümesi, gerçekçi iş yükleri ve uzun süreli gözlemleriyle modelin güvenilirliğini test etme imkânı sunmuştur. Elde edilen sonuçlar, önerilen hibrit yaklaşımın sunucu performans tahmininde güçlü ve uygulanabilir bir çözüm sunduğunu ortaya koymaktadır. Bu yapı, yalnızca tahmin doğruluğunu artırmakla kalmamakta, aynı zamanda veri merkezlerinde kaynak planlaması, yük dengeleme ve karar destek süreçleri için de etkin bir altyapı sağlamaktadır. Bu kapsamda çalışma, derin öğrenme tabanlı hibrit modellerin sanallaştırılmış sunucu performansı tahmininde kullanılabilirliğini göstermiş ve literatüre bir katkı sunmuştur.
Özet (Çeviri)
With the rapid advancement of digitalization, data centers and virtual servers have become one of the most fundamental components of modern computing infrastructures. Accurate prediction of server performance in these environments is crucial for preventing service interruptions, optimizing resource allocation, and reducing operational costs. However, sudden fluctuations in key resources such as CPU and memory usage often lead to the inadequacy of conventional approaches. Although various statistical and machine learning–based methods have been proposed in the literature for server performance prediction, most studies focus solely on CPU or memory utilization. The simultaneous prediction of these two resource usages has remained limited in previous studies. Moreover, traditional techniques often struggle to capture complex temporal dependencies within time series data.In this study, a deep learning–based hybrid model combining Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) layers is proposed to predict multivariate time series of CPU and memory utilization in virtualized server environments. The proposed architecture integrates the LSTM layer's strength in learning long-term dependencies with the GRU layer's computational efficiency and faster convergence achieved through fewer parameters, thereby enhancing overall prediction accuracy. The GWA-T-13 Materna dataset, which contains realistic workload traces and long-term observations, was used to validate the model's reliability. The obtained results demonstrate that the proposed hybrid approach provides a robust and practical solution for server performance forecasting. This framework not only improves prediction accuracy but also offers an effective infrastructure for resource planning, load balancing, and decision-support processes in data centers. Consequently, the study demonstrates the applicability of deep learning–based hybrid models in virtualized server performance prediction and contributes to the growing body of research in this field.
Benzer Tezler
- Gerçek zamanlı saldırı tespiti ve engelleme için makine öğrenmesi yöntemleri kullanarak web uygulama güvenlik duvarı geliştirilmesi
Development of web application firewall using machine learning techniques for real-time intrusion detection and prevention
MUHAMMED ERSİN DURMUŞKAYA
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN FEHMİ SELİM BAYRAKLI
- Comparative study of federated learning for credit risk assessment and fairness evaluation
Federe öğrenmenin karşılaştırmalı çalışması: Kredi risk değerlendirmesi ve adalet ölçümü
MUSTAFA AKTAŞ
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
DR. RUŞEN HALEPMOLLASI
- On federated learning over wireless channels with over-the-air aggregation
Kablosuz kanallar üzerinden havada birleştirme ile federe öğrenme
OZAN AYGÜN
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. TOLGA METE DUMAN
- Makine öğrenmesi yöntemleri ile futbol oyuncularının performans analizi
Football player performance analysis using machine learning techniques
VEHBİ HAKAN SAYAN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBurdur Mehmet Akif Ersoy ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. EMRAH HANÇER
- Makine öğrenmesi algoritmaları kullanarak atık sudan elektrik enerjisi tahmini
Prediction of electrical energy from wastewater using machine learning algorithms
EKREM YÜCE
Yüksek Lisans
Türkçe
2023
EnerjiKahramanmaraş Sütçü İmam ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPER KEREM