Caractérisation de la propagation des anomalies dans un environnement conteneurisé via une approche bayésienne adaptative

Ben Dahsen, Soufiene (2021). Caractérisation de la propagation des anomalies dans un environnement conteneurisé via une approche bayésienne adaptative. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (5MB) | Prévisualisation

Résumé

Une architecture basée sur des conteneurs est une approche prometteuse pour la construction et le déploiement de systèmes distribués. L’expansion en matière de complexité de ces infrastructures a compliqué le processus de surveillance.

En raison de la prolifération des objets et des mesures à suivre, la tâche de surveillance présente de sérieuses lacunes pour détecter une déviation de performance sur un seul conteneur et ses effets sur les autres conteneurs dépendants. Par conséquent, agir de manière prospective pendant la tâche de surveillance en prédisant l’état du système permet de contrôler les ressources du système et aide les outils d’orchestration à réagir de manière proactive en cas d’anomalies. En effet, la prédiction des anomalies est une option prometteuse pour aider à suivre le comportement anormal du système global.

Ce travail étudie une approche d’apprentissage bayésienne adaptée, qui se base sur des mesures de suivi des niveaux d’utilisation des ressources pour détecter et prédire la propagation d’un comportement anormal dans une architecture distribué composée de noeuds dans lesquels différentes applications conteneurisées sont déployées. Notre évaluation montre un taux de précision de prédiction prometteur.

Titre traduit

Adaptive Bayesian approach to anomaly propagation characterization in clustered computing environments

Résumé traduit

A container-based architecture is a promising approach for building and deploying distributed systems. The expansion in terms of complexity of such infrastructures has complicated the monitoring process.

Due to the proliferation of objects and metrics to track, monitoring task face serious gaps to catch a performance drop on a single container and its effects on other dependent containers. Therefore, acting prospectively during the monitoring task by analyzing the system state helps controlling system resources and assists orchestration tools to react proactively in case of workloads anomalies. In fact, anomaly prediction is a promising option to help in tracking anomalous behavior of the overall system.

This work investigates, based on tracking resources metrics, how to predict anomalous workload behavior in a cluster architecture consisting of nodes in which different containerized application are deployed. It provides an adapted Bayesian learning approach that predicts anomalous behavior in a containerized cluster environment based on the observed metrics. Our evaluation shows a promising prediction accuracy.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maîtrise avec mémoire en génie des technologies de l’information". Comprend des références bibliographiques (pages 73-75).
Mots-clés libres:	conteneur, cluster, apprentissage bayésien, prédiction d’anomalie
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Gherbi, Abdelouahed
Programme:	Maîtrise en ingénierie > Génie des technologies de l'information
Date de dépôt:	01 avr. 2022 17:41
Dernière modification:	01 avr. 2022 17:41
URI:	https://espace.etsmtl.ca/id/eprint/2941

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt