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
Vorkommen:
- mediaTUM GesamtbestandElektronische PrüfungsarbeitenSchoolTUM School of Computation, Information and TechnologyComputer Engineering
- mediaTUM GesamtbestandElektronische PrüfungsarbeitenSchoolTUM School of Computation, Information and Technology