Gregorio Dinoi
Analisi predittiva applicata alle metriche di performance di una base dati relazionale = Predictive analysis related to the performance metrics of a relational database system.
Rel. Paolo Garza. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Informatica (Computer Engineering), 2019
|
PDF (Tesi_di_laurea)
- Tesi
Licenza: Creative Commons Attribution Non-commercial No Derivatives. Download (2MB) | Preview |
Abstract: |
Il lavoro di ricerca, svolto in seno alla divisione 'Infrastruttura tecnologica' dell'azienda Mediamente Consulting Srl, prende origine dall'intenzione di fornire un avanzato strumento di supporto all'attività di gestione dei sistemi informatici dei propri clienti, con il fine di favorire al tempo stesso l'operatività e la qualità del servizio. L'attività condotta dal gruppo di 'Infrastruttura tecnologica' afferisce in particolar modo all'ambito delle tecnologie e dei prodotti Oracle, area di specializzazione dell'azienda. Per queste ragioni, si è deciso di prendere in esame un sistema di gestione di basi dati, nella fattispecie l'istanza Oracle Database di un cliente. Il lavoro di tesi verte sulla possibilità di monitorare il sistema dal punto di vista delle sue performance e tracciarne l’andamento futuro in modo da prevedere eventuali degradazioni o anomalie e consentire quindi un intervento di tipo pro-attivo. La ragione di circoscrivere l’analisi a un contesto reale e ben preciso è da ricercare nell’interesse di valutare la validità dell’analisi considerando valori realistici. In fase di progettazione della soluzione, sono state fatte considerazioni e scelte nella prospettiva futura di estendere tale soluzione ad altri tipi di sistemi, prodotti o applicazioni. In tal senso, è stato utilizzato Elastic Stack per il deployment di un’architettura in grado di sostenere la fase di analisi ed elaborazione dei dati. L’interazione dei diversi componenti software di Elastic Stack (Logstash, Elasticsearch, Kibana) ha permesso l’implementazione di un processo che dall’estrazione del dato grezzo porta alla memorizzazione e infine alla visualizzazione di informazioni di qualsiasi genere. Nella fase di analisi vera e propria sono state prese in considerazione quelle metriche ritenute significative ai fini della descrizione dello stato del sistema. I valori di queste metriche sono stati prelevati dall'Enterprise Manager, il tool di monitoraggio dell’istanza in esame, e riportati all’interno del cluster Elasticsearch per il processamento successivo. Le metriche sono state analizzate con un approccio tipico dell’analisi delle serie temporali, sono state cioè considerate in relazione alla variabile tempo. I valori di ciascuna metrica sono quindi stati esaminati attraverso tecniche e strumenti statistici e predisposti per l’elaborazione da parte dei modelli predittivi. Per quanto concerne lo sviluppo dei modelli predittivi, si è deciso di sfruttare le potenzialità offerte dalle capacità di calcolo delle reti neurali artificiali. A tale scopo, sono state implementate diverse tipologie di reti neurali e se ne sono valutate le performance in termini di accuratezza, al variare dei parametri caratteristici di ciascun modello. L’obbiettivo dell’analisi è, dunque, quello di valutare l'efficacia dei modelli neurali definiti, determinando se siano in grado di prevedere con un livello di accuratezza ragionevole lo stato futuro del sistema in esame, nei termini delle proprie metriche di performance. |
---|---|
Relators: | Paolo Garza |
Academic year: | 2018/19 |
Publication type: | Electronic |
Number of Pages: | 98 |
Subjects: | |
Corso di laurea: | Corso di laurea magistrale in Ingegneria Informatica (Computer Engineering) |
Classe di laurea: | New organization > Master science > LM-32 - COMPUTER SYSTEMS ENGINEERING |
Aziende collaboratrici: | Mediamente Consulting srl |
URI: | http://webthesis.biblio.polito.it/id/eprint/11531 |
Modify record (reserved for operators) |