Mostrar el registro sencillo del ítem

dc.contributor.authorCabrera-Burgos, Xavier Antonio
dc.date2020-09-17
dc.date.accessioned2021-01-20T10:50:18Z
dc.date.available2021-01-20T10:50:18Z
dc.identifier.urihttps://reunir.unir.net/handle/123456789/10859
dc.descriptionIn 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.es_ES
dc.description.abstractEn 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.es_ES
dc.language.isospaes_ES
dc.rightsopenAccesses_ES
dc.subjectcentro de datoses_ES
dc.subjectcomputación autonómicaes_ES
dc.subjectinteligencia artificiales_ES
dc.subjectlógica borrosaes_ES
dc.subjectMáster Universitario en Inteligencia Artificiales_ES
dc.subjectdata centeres_ES
dc.subjectautonomic computinges_ES
dc.subjectartificial intelligencees_ES
dc.subjectfully logices_ES
dc.titleComputación autonómica para Centro de Datos mediante agentes inteligentes.es_ES
dc.typemasterThesises_ES
reunir.tag~MIAes_ES


Ficheros en el ítem

Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem