Palabras clave: Sistemas distribuidos, Aprendizaje automático, Monitorización; Distributed systems, Machine learning, Monitoring; Sistemes distribuïts, Aprenentatge automàtic, Monitorització
Título en diferentes idiomas: 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
Áreas temàticas: Ingeniería informática; Computer engineering; Enginyeria informàtica
Confidencialidad: No
Curso académico: 2023-2024
Estudiante: Benabdelkrim Zakan, Usama
APS: No
Departamento: Enginyeria Informàtica i Matemàtiques
Derechos de Accesso: info:eu-repo/semantics/openAccess
Fecha de la defensa del trabajo: 2024-09-12
Director del proyecto: García López, Pedro Antonio
Resumen: 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.
Materia: Aprenentatge automàtic
Entidad: Universitat Rovira i Virgili (URV)
Idioma: en
Enseñanza(s): Enginyeria de la Seguretat Informàtica i Intel·ligència Artificial
Título en la lengua original: Intelligent optimization of distributed systems: performance analysis with Lithops and machine learning
Fecha de alta en el repositorio: 2025-10-23
Repositori URV