Tesis:
Autonomous Management of Internet of Things Technologies
- Autor: BRANDON HERNANDEZ, Alvaro
- Título: Autonomous Management of Internet of Things Technologies
- Fecha: 2018
- Materia: Sin materia definida
- Escuela: E.T.S DE INGENIEROS INFORMÁTICOS
- Departamentos: ARQUITECTURA Y TECNOLOGIA DE SISTEMAS INFORMATICOS
- Acceso electrónico: http://oa.upm.es/56557/
- Director/a 1º: PÉREZ HERNÁNDEZ, María de los Santos
- Director/a 2º: SOLÉ SIMÓ, Marc
- Resumen: La ingente cantidad de datos que necesitan ser procesados hoy en día ha impulsado el diseño de sistemas distribuidos cada vez más complejos. Esta complejidad se acrecenta aún más con el uso de nuevos modelos descentralizados, en el que los datos son procesados cerca de su origen, con Fog y Edge computing como algunos ejemplos. Conseguir el control total de estas infraestructuras es todo un reto, incluso para administradores de sistema expertos, debido a las dispares tecnologías y factores involucrados. Normalmente, los administradores siguen un proceso en el que analizan los datos provenientes de logs o herramientas de monitorización para extraer conocimiento que pueda explicar la ocurrencia de ciertos eventos. Este engorroso proceso puede ser automatizado parcialmente o en su totalidad mediante el uso de la inteligencia artificial (IA), extrayendo dicho conocimiento a través de la información monitorizada. En esta tesis proponemos una serie de modelos de IA, cuyo objetivo es resolver algunos de los problemas más comunes que se encuentran los administradores en este tipo de sistemas. Principalmente, nos centramos en dar visibilidad del estado de una infraestructura Fog, en optimizar la paralelización de trabajos Big Data y en diagnosticar la causa raíz de un problema en una arquitectura de microservicios. A través de una serie de experimentos, somos capaces de demostrar cómo esta inteligencia generada se puede utilizar para incrementar el rendimiento y la fiabilidad de los trabajos para análisis de datos y las nuevas tecnologías que los soportan. ----------ABSTRACT---------- The overwhelming amount of data that needs to be processed nowadays has driven the design of increasingly complex distributed systems. This complexity is further exacerbated by new decentralised approaches, which process the data near where it is generated, such as Fog or Edge computing. Having full control of these infrastructures becomes a challenge even for the most experienced administrators, as there are many heterogeneous technologies and factors involved. Usually, administrators follow a process that involves using monitoring tools and browsing through logs in order to find insights that explain events happening in the system. Instead, this cumbersome process can be partially or totally automatised through the use of artificial intelligence techniques (AI) that extract these insights from all the incoming monitored information. In this thesis we propose a series of AI models that are able to solve some of the common problems that administrators find in these kind of systems. Namely, we focus on providing observability for a Fog computing infrastructure, optimising the task parallelisation of Big Data jobs and performing root cause analysis for microservice architectures. Through a series of experiments, we demonstrate how the AI models can be used to increase the performance and reliability of data analytics jobs and the new technologies that power them.