Modelování dat charakterizující virtuální server pomocí SVM

Bc. David Bakrlík

Master's thesis

Modelling of data characterizing a virtual server by SVM

Abstract:

Diplomová práce se zabývá návrhem modelu pro klasifikaci dat z naměřených hodnot chybových stavů virtuálního webového serveru Portal a databázového serveru Oracle Univerzity Pardubice. Cílem předložené práce je sestavení modelu, který s maximální možnou přesností klasifikuje data do tříd, které reprezentují možné chybové stavy serverů. Klasifikace je provedena metodou učení s učitelem pomocí neuronových sítí typu SVM. Tato diplomová práce je rozdělena do dvou základních částí. V první části jsou charakterizovány základní pojmy a metody virtualizace. Dále jsou definovány základní pojmy neuronových sítí a metody jejich učení. Další kapitola se zabývá základními principy metody strojového učení Support Vector Machine. Druhá praktická část této práce je věnována návrhu struktury modelu klasifikace. Na začátku této části je popsána analýza a předzpracování poskytnutých dat. Poté následuje návrh několika možných struktur modelu, na kterých jsou prováděny experimenty, jejichž cílem je výběr nejvhodnějších parametrů klasifikátoru. K těmto experimentům bylo využito programového prostředí WEKA. Závěrečná kapitola analyzuje dosažené výsledky klasifikace nejvhodnějšího modelu navrženého pomocí SVM.

Abstract:

This thesis describes the design of model for data classification from measured values of error states virtual Portal web server and database server Oracle to University of Pardubice. The aim of this work is to build a model with the greatest possible accuracy classifies data into classes that represent the possible error conditions servers. Classification is performed by supervised learning, using neural networks like SVM. This thesis is divided into two parts. In the first part are characterized by basic concepts and methods of virtualization. Further defines the basic concepts of neural networks and methods of teaching. The next chapter deals with the basic principles of machine learning methods Support Vector Machine. The second part of this work is devoted to the design of the model structure classification. At the beginning of this section describes the analysis and preprocessing of data provided. This is followed by the design of several possible structures of the model on which they are carried out experiments aimed at identifying the most suitable parameter classifier. These experiments were used programming environment WEKA. The final chapter analyzes the results obtained the best classification model proposed by SVM.

Keywords

Virtualizace, virtuální server, neuronové sítě, Support Vector Machine, SVM, SMO, klasifikace.

Language used: Czech

Date on which the thesis was submitted / produced: 29. 4. 2013

Thesis defence

• Date of defence: 12. 6. 2013
• Supervisor: prof. Ing. Vladimír Olej, CSc.

University of Pardubice

Faculty of Economics and Administration

Master programme / field:
System Engineering and Informatics / Informatics in Public Administration