Intelligent optimization of distributed systems: performance analysis with Lithops and machine learning

Paraules clau: Sistemas distribuidos, Aprendizaje automático, Monitorización; Distributed systems, Machine learning, Monitoring; Sistemes distribuïts, Aprenentatge automàtic, Monitorització

Títol en diferents idiomes: Optimización inteligente de sistemas distribuidos: Análisis de rendimiento con Lithops y aprendizaje automático; Intelligent optimization of distributed systems: performance analysis with Lithops and machine learning; Optimització intel·ligent de sistemes distribuïts: Anàlisi de rendiment amb Lithops i aprenentatge automàtic

Àrees temàtiques: Ingeniería informática; Computer engineering; Enginyeria informàtica

Confidencialitat: No

Curs acadèmic: 2023-2024

Estudiant: Benabdelkrim Zakan, Usama

Aprenentatge Servei: No

Departament: Enginyeria Informàtica i Matemàtiques

Drets d'accés: info:eu-repo/semantics/openAccess

Data de la defensa del treball: 2024-09-12

Director del projecte: García López, Pedro Antonio

Resum: This thesis presents a solution for optimizing and monitoring distributed systems using Lithops in serverless environments. A lightweight profiler integrated with Prometheus was developed to collect real-time metrics and manage resources efficiently. The profiler tracks CPU, memory, disk, and network usage, ensuring scalability and resilience across multicloud platforms. Additionally, a machine learning model predicts the optimal task parallelization to minimize execution time. The proposed solution was validated through extensive testing in various environments, demonstrating its effectiveness in improving serverless computing performance by offering a robust tool for enhancing operational efficiency and resource optimization.; Aquesta tesi presenta una solució per optimitzar i monitoritzar sistemes distribuïts utilitzant Lithops en entorns sense servidor. Es va desenvolupar un profiler lleuger integrat amb Prometheus per recopilar mètriques en temps real i gestionar els recursos de manera eficient. El profiler fa un seguiment de l'ús de CPU, memòria, disc i xarxa, garantint l'escalabilitat i la resiliència a través de plataformes multinúvol. A més, un model d'aprenentatge automàtic prediu la paral·lelització òptima de tasques per minimitzar el temps d'execució. La solució proposada es va validar mitjançant proves exhaustives en diversos entorns, demostrant la seva eficàcia per millorar el rendiment de la computació sense servidor oferint una eina robusta per millorar l'eficiència operativa i l'optimització de recursos.

Matèria: Aprenentatge automàtic

Entitat: Universitat Rovira i Virgili (URV)

Idioma: en

Ensenyament(s): Enginyeria de la Seguretat Informàtica i Intel·ligència Artificial

Títol en la llengua original: Intelligent optimization of distributed systems: performance analysis with Lithops and machine learning

Data d'alta al repositori: 2025-10-23