Computación autonómica para Centro de Datos mediante agentes inteligentes.
Fecha:
17/09/2020Palabra clave:
Tipo de Ítem:
masterThesis
Resumen:
En el ámbito de los centros de datos, la computación autonómica se presenta como la solución a los problemas de gestión de tareas que requieren de personal altamente calificado. Este proyecto tiene como objetivo implementar una red neuronal difusa dentro de un elemento autonómico computacional para inferir si es seguro auto repararse. Se utilizó para este efecto la información recolectada en el periodo comprendido entre mayo de 2018 y mayo de 2020 de las tareas asignadas a ingenieros expertos que debían realizar mantenimientos de reparación correctivos y preventivos a los componentes de tecnologías de información de un centro de datos ubicado en Ecuador. En la información indicada se recolectaron 929 trabajos de mantenimiento, estos parámetros sirvieron para entrenar una red neuronal difusa que puede inferir si una tarea debe ser realizada o no. En la experimentación se modificaron aleatoriamente los datos de las amenazas para simular cambios en el entorno y se comprobó que la Raíz del error cuadrático medio fue 4.23x10-2 al utilizar la nueva información desconocida para el modelo ya entrenado. Con estos resultados se puede destacar la importancia de desarrollar sistemas de auto corrección que disminuyan las operaciones manuales en los centros de datos.
Descripción:
In the field of data centers, autonomic computing is presented as the solution to the problems of managing tasks that require highly qualified personnel. This project aims to implement a fuzzy neural network within a computational autonomic element to infer whether it is safe to repair itself. For this purpose, the information collected in the period between May 2018 and May 2020 of the tasks assigned to expert engineers who had to carry out corrective and preventive repair maintenance to the information technology components of a data center located in Ecuador. In the indicated information, 929 maintenance jobs were collected, these parameters were used to train a fuzzy neural network that can infer whether a task should be performed or not. In the experimentation, the threat data was randomly modified to simulate changes in the environment, and it was found that the Root mean square error was 4.23x10-2 when using the new unknown information for the already trained model. With these results, the importance of developing self-correction systems that reduce manual operations in data centers can be highlighted.
Ficheros en el ítem
