Πρόβλεψη δεικτών επίδοσης και ποιότητας υπηρεσιών υπολογιστικού νέφους με χρήση μηχανικής μάθησης

Μπούρας, Γιάννης; Bouras, Giannis

dc.contributor.author	Μπούρας, Γιάννης	el
dc.contributor.author	Bouras, Giannis	en
dc.date.accessioned	2018-11-09T10:15:56Z
dc.date.available	2018-11-09T10:15:56Z
dc.date.issued	2018-11-09
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47976
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.16014
dc.rights	Default License
dc.subject	Μηχανική μάθηση	el
dc.subject	Cloud computing	en
dc.subject	Ανάλυση παλινδρόμησης	el
dc.subject	Υπολογιστική νέφους	el
dc.subject	SPI	en
dc.subject	QoS	en
dc.subject	Λογισμικό ως υπηρεσία	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Τυχαία δάση	el
dc.subject	Μηχανές διανυσμάτων υποστήριξης	el
dc.subject	IT	en
dc.subject	Quality of Service QoS	en
dc.subject	Customer Relationship Management (CRM)	en
dc.subject	Machine learning	en
dc.subject	Regression analysis	en
dc.subject	Artificial neural networks	en
dc.subject	Random forests	en
dc.subject	Support vector machines	en
dc.title	Πρόβλεψη δεικτών επίδοσης και ποιότητας υπηρεσιών υπολογιστικού νέφους με χρήση μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση - Υπολογιστικό νέφος	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-10-05
heal.abstract	Η Υπολογιστική Νέφους αποτελεί την πλέον σύγχρονη και απαραίτητη τεχνολογία στον κλάδο της Τεχνολογίας της Πληροφορίας (Information Technology - IT). Η ραγδαία ανάπτυξη της Υπολογιστικής Νέφους, έχει ως αποτέλεσμα την δημιουργία όλο και περισσότερων εφαρμογών και υπηρεσιών βασισμένων και εξαρτώμενων από το μοντέλο Λογισμικό-Πλατφόρμα-Υποδομή ή αλλιώς μοντέλο SPI ( Software-Platform-Infrastructure). Ωστόσο η περιορισμένη ποσότητα πληροφοριών που μεταφέρονται μεταξύ των παραπάνω τριών στρωμάτων δημιούργησε νέες προκλήσεις σε παραδοσιακούς τομείς, όπως η εκτίμηση της επίδοσης των εφαρμογών και η αντιστοίχιση παραμέτρων λογισμικού στους απαιτούμενους υπολογιστικούς πόρους. Πλέον όμως, με την ανάπτυξη της Μηχανικής Μάθησης ,μια τεχνολογία που επωφελείται από τη συνεχόμενη συλλογή και διάθεση μεγάλων ποσοτήτων πληροφορίας που χαρακτηρίζει την σημερινή εποχή, μας δίνεται η δυνατότητα να ξεπεράσουμε τα παραπάνω εμπόδια χρησιμοποιώντας εξελιγμένους αλγόριθμους μάθησης για την ακριβή πρόβλεψη των παραμέτρων ποιότητας υπηρεσίας (QoS) της εκάστοτε εφαρμογής. Τα τελευταία χρόνια η Μηχανική Μάθηση εξελίσσεται με ραγδαίους ρυθμούς και αποκτά ολοένα και ευρύτερο πεδίο εφαρμογής καθιστώντας τις έξυπνες μηχανές και εφαρμογές καθημερινό φαινόμενο, βοηθώντας μας έτσι να κάνουμε ακριβέστερες προβλέψεις και να λαμβάνουμε σοφότερες αποφάσεις. Σε αυτή την εργασία, χρησιμοποιούνται αλγόριθμοι αιχμής από τον τομέα της Μηχανικής Μάθησης με σκοπό την πρόβλεψη παραμέτρων ποιότητας υπηρεσίας μιας εμπορικής εφαρμογής Διαχείρισης Πελατειακών Σχέσεων η οποία διατίθεται ως Λογισμικό ως Υπηρεσία (SaaS). Σκοπός της παρούσας διπλωματικής είναι, τόσο η πρόταση μιας προσέγγισης Μηχανικής Μάθησης στο τομέα της εκτίμησης επιδόσεων των σύγχρονων υπηρεσιών, όσο και η παρουσίαση μιας αναλυτικής συγκριτικής μελέτης των αλγορίθμων μάθησης που χρησιμοποιήθηκαν. Στην διπλωματική εργασία μελετήθηκαν και χρησιμοποιήθηκαν για την εκτέλεση των πειραμάτων, τρεις βασικοί αλγόριθμοι στο τομέα της Ανάλυσης Παλινδρόμησης, τα Τεχνητά Νευρωνικά Δίκτυα, τα Τυχαία Δάση και Μηχανές Διανυσμάτων Υποστήριξης. Τα παραπάνω μοντέλα εκπαιδευτήκαν και ρυθμίστηκαν με σύγχρονους μεθόδους χρησιμοποιώντας το παραχωρηθέν σύνολο δεδομένων μιας εμπορικής εφαρμογής Διαχείρισης Πελατειακών Σχέσεων.	el
heal.abstract	Cloud Computing have become a state of the solution in the IT industry. With t he rapid growth of Cloud Computing a more and more applications and services are based on the SPI model, Software - Platform - Infrastructure. However, the limited amount of information transferred between the above three layers has created new challenges in traditional areas of compu ting such us the application performance estimation and the mapping o f software related parameters to the required computing resources. But today , because of the constant growth of Machine Learning, a technology that benefits from the continuous collectio n and disposal of large amounts of information which characterizes today's era, we are given the opportunity to overcome these obstacles by using sophisticated learning algorithms to accurately predict Quality of Service parameters. In recent years, Machin e Learning has evolved rapidly and is becoming increasingly wider in scope, making smart machines and applications a daily phenomenon and helping us to make more accurate forecasts and wiser decisions. In this work, cutting - edge Machine learning algorith ms are used to predict QoS parameters of a commercial Customer Relationship Management (CRM) application that is available as Software as a Service (SaaS). The aim of this diploma thesis is both to propose a Machine Learning approach in the field of perfor mance assessment of modern Web Services and to present an analytical comparative study of the learning algorithms used. In this thesis, three basic algorithms in the field of Regression Analysis, Artificial Neural Networks, Random Forests and Support Vect or Machines were studied and used to perform the experiments. The above models were trained and configured using modern methods on the granted data set of a commercial Customer Relationship Management application	en
heal.advisorName	Βαρβαρίγου, Θεοδώρα	el
heal.committeeMemberName	Βαρβαρίγου, Θεοδώρα	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Παπαβασιλείου, Συμεών	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	112 σ.
heal.fullTextAvailability	true