Počet záznamů: 1

Erratic server behavior detection using machine learning on streams of monitoring data

SYSNO ASEP	0538411
Druh ASEP	C - Konferenční příspěvek (mezinárodní konf.)
Zařazení RIV	D - Článek ve sborníku
Název	Erratic server behavior detection using machine learning on streams of monitoring data
Tvůrce(i)	Adam, Martin (FZU-D)_ORCID Magnoni, L. (CH) Pilát, M. (CZ) Adamová, Dagmar (UJF-V)_{RID, ORCID, SAI}
Celkový počet autorů	4
Číslo článku	07002
Zdroj.dok.	EPJ Web of Conferences, 245. - Les Ulis : EDP Sciences, 2020 / Doglioni C. ; Jackson P. ; Kamleh W. ; Kim D.Y. ; Silvestris L. ; Stewart G.A. - ISSN 2100-014X
Rozsah stran	s. 1-8
Poč.str.	8 s.
Forma vydání	Online - E
Akce	International Conference on Computing in High Energy and Nuclear Physics (CHEP 2019) /24./
Datum konání	04.11.2019 - 08.11.2019
Místo konání	Adelaide
Země	AU - Austrálie
Typ akce	WRD
Jazyk dok.	eng - angličtina
Země vyd.	FR - Francie
Klíč. slova	machine learning ; monitoring
Vědní obor RIV	JD - Využití počítačů, robotika a její aplikace
Obor OECD	Automation and control systems
Vědní obor RIV – spolupráce	Ústav jaderné fyziky - Elementární částice a fyzika vys. energií
CEP	LM2015058 GA MŠMT - Ministerstvo školství, mládeže a tělovýchovy
	EF16_013/0001404 GA MŠMT - Ministerstvo školství, mládeže a tělovýchovy
	LM2018104 GA MŠMT - Ministerstvo školství, mládeže a tělovýchovy
Institucionální podpora	FZU-D - RVO:68378271 ; UJF-V - RVO:61389005
DOI	10.1051/epjconf/202024507002
Anotace	With the explosion of the number of distributed applications, a new dynamic server environment emerged grouping servers into clusters, utilization of which depends on the current demand for the application. To provide reliable and smooth services it is crucial to detect and fix possible erratic behavior of individual servers in these clusters. Use of standard techniques for this purpose requires manual work and delivers sub-optimal results. Using only application agnostic monitoring metrics our machine learning based method analyzes the recent performance of the inspected server as well as the state of the rest of the cluster, thus checking not only the behavior of the single server, but the load on the whole distributed application as well. We have implemented our method in a Spark job running in the CERN MONIT infrastructure. In this contribution we present results of testing multiple machine learning algorithms and pre-processing techniques to identify the servers erratic behavior.
Pracoviště	Fyzikální ústav
Kontakt	Kristina Potocká, potocka@fzu.cz, Tel.: 220 318 579
Rok sběru	2021

Počet záznamů: 1