Benutzer: Gast  Login
Originaltitel:
AI-based Proactive Failure Management in Large-scale Cloud Environments
Übersetzter Titel:
KI-basiertes proaktives Fehlermanagement in Cloud-Umgebungen
Autor:
Notaro, Paolo
Jahr:
2024
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Institution:
Informatik 10 - Professur für Architektur paralleler und verteilter Systeme - (Prof. Gerndt)
Betreuer:
Gerndt, Hans Michael (Prof. Dr.)
Gutachter:
Gerndt, Hans Michael (Prof. Dr.); Kranzlmüller, Dieter (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
Stichworte:
AIOps ; failure management ; machine learning ; systematic literature review ; hardware failure prediction ; command-line security ; root cause analysis
Übersetzte Stichworte:
AIOps ; Fehlermanagement ; maschinelles Lernen ; systematische Literaturrecherche ; Vorhersage von Hardwareausfällen ; Befehlszeilensicherheit ; Ursachenanalyse
TU-Systematik:
DAT 250; DAT 516
Kurzfassung:
Modern IT infrastructures are becoming increasingly large and complex, creating challenges for O&M teams in managing and optimizing cloud services. AIOps supports O&M through the use of AI and large-scale monitoring. This thesis presents the current state of research in the domains of AIOps and proposes new methods for proactive failure management, covering applications in all layers of a cloud stack model (infrastructure, platform, software).
Übersetzte Kurzfassung:
Moderne IT-Infrastrukturen werden immer umfangreicher und komplexer, was die O&M-Teams bei der Verwaltung und Optimierung von Cloud-Diensten vor große Herausforderungen stellt. AIOps unterstützt O&M durch den Einsatz von KI und umfangreicher Überwachung. Diese Arbeit stellt den Stand der Forschung für die Bereiche von AIOps vor und schlägt neue Methoden für ein proaktives Fehlermanagement vor, die Anwendungen in allen Schichten eines Cloud-Stack-Modells (Infrastruktur, Plattform, Software) abdecken.
WWW:
https://mediatum.ub.tum.de/?id=1720151
Eingereicht am:
13.09.2023
Mündliche Prüfung:
01.07.2024
Dateigröße:
6860137 bytes
Seiten:
189
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240701-1720151-1-1
Letzte Änderung:
08.08.2024
 BibTeX