Can we Predict Performance Events with Time Series Data from Monitoring Multiple Systems?

Schörgenhumer, Andreas; Kahlhofer, Mario; Grünbacher, Paul; Mössenböck, Hanspeter

doi:10.1145/3302541.3313101

Cited by 5 publications

(3 citation statements)

References 18 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Prometheus is an open-source system monitoring and alerting toolkit that enables cAdvisor extracting the data sampled every 30 seconds. cAdvisor (Container Advisor) is a daemon that runs for every container, saves resource isolation parameters, extracts histograms for historical resource usage, and network statistics (31,32) . The CPU utilization, Memory Usage and Network transmission rate are our main evaluation metrics for measuring virtual lab performance.…”

Section: Resultsmentioning

confidence: 99%

Performance evaluation of virtual cloud labs using hypervisor and container

Elbelgehy¹

2020

IJST

View full text Add to dashboard Cite

Objectives: To measure the performance of docker swarm technology in virtual labs. Methods : The virtual laboratory is developed as a group of four system machines (VMs) on the same host computer as a cluster. The simulation depends on Linux OS, VirtualBox, Docker Swarm, Nginx, and Redis tools. Visualizing the tracing process by using portainer. Findings: The performance analysis of building virtual labs and running six main educational services using docker swarm virtualization technology are explained in detail. The experimental results have shown that the maximum utilization of the central processing unit (CPU) has reached 13% only for the nodes, 11% for the services, and 1% for the container, which considered very efficient in terms of processing. Moreover, the results have proved the effectiveness of the docker swarm in terms of memory usage since the maximum memory usage of nodes reached 101 MB, 103 MB for Container, and only 2% for each service. Additionally, the maximum network transition has reached (941 Bps) for service. Novelty/Applications: Building Cloud Virtual Labs enable students to connect remotely to the virtual machine at anytime and anywhere. Also, these labs enable instructors to trace the students' progress and manage the evaluation process.

show abstract

Section: Resultsmentioning

confidence: 99%

Performance evaluation of virtual cloud labs using hypervisor and container

Elbelgehy¹

2020

IJST

View full text Add to dashboard Cite

show abstract

“…Schörgenhummer et al [21] propose to apply online anomaly prediction based on multiple monitoring streams. They achieve this by training machine learning models on monitoring data provided by an industrial partner.…”

Section: Anomaly Predictionmentioning

confidence: 99%

A Taxonomy of Techniques for SLO Failure Prediction in Software Systems

Grohmann

Herbst

Chalbani³

et al. 2020

Computers

View full text Add to dashboard Cite

Failure prediction is an important aspect of self-aware computing systems. Therefore, a multitude of different approaches has been proposed in the literature over the past few years. In this work, we propose a taxonomy for organizing works focusing on the prediction of Service Level Objective (SLO) failures. Our taxonomy classifies related work along the dimensions of the prediction target (e.g., anomaly detection, performance prediction, or failure prediction), the time horizon (e.g., detection or prediction, online or offline application), and the applied modeling type (e.g., time series forecasting, machine learning, or queueing theory). The classification is derived based on a systematic mapping of relevant papers in the area. Additionally, we give an overview of different techniques in each sub-group and address remaining challenges in order to guide future research.

show abstract

“…Avisos antecipados sobre desacelerações ou outras degradações de desempenho permitem que os analistas de TIC tomem medidas antecipadas, evitando assim desvios no comportamento do Sistema de Informação. Existem várias abordagens para prever anomalias e eventos, muitas vezes baseadas em técnicas de Aprendizado de Máquina (AM) (Schörgenhumer et al, 2019). O termo Aprendizado de Máquina (do Inglês Machine Learning), considerado um subcampo da Inteligência Artificial (IA), refere-se à tecnologia que ajuda os computadores a aprenderem por meio de análises e associações de dados.…”

Section: Introductionunclassified

Aprendizado De Máquina Em Ambientes Hospitalares: Um Estudo De Análise De Tendências De Sobrecarga Em Sistemas De Tecnologias Da Informação E Comunicação

Luchtenberg,

Fernandes,

Liebel

et al. 2023

Rev. Contemp.

View full text Add to dashboard Cite

No ambiente das instituições de saúde, é fundamental dispor de todas as ferramentas necessárias para que a gestão do fluxo de pacientes aconteça de forma rápida e eficiente. É fundamental que os sistemas de informação dessas instituições tenham desempenho adequado e estejam disponíveis o dia inteiro, durante todo o ano. Nesse contexto, esta pesquisa tem como objetivo avaliar a aplicação de algoritmos de Aprendizado de Máquina para que, com base nos dados de monitoramento, o sistema aprenda a se antecipar a uma possível sobrecarga. Os dados utilizados nesta pesquisa são provenientes do banco de dados de uma empresa que presta serviços de monitoramento para instituições hospitalares de Santa Catarina. O estudo analisou a aplicação dos algoritmos de aprendizado de máquina Decision Tree (DT), Long Short-Term Memory (LSTM) e KNN – K Nearest Neighbor. O algoritmo com melhor acurácia foi o KNN, com 0,9603. Em relação ao tempo de execução e treinamento dos algoritmos, o KNN novamente apresentou melhor resultado de treinamento, com 0,058 segundos. Quanto ao tempo de execução, o DT obteve o melhor resultado, com 0,0019 segundos. Apesar do algoritmo LSTM ter apresentado o pior tempo de treinamento e execução (680,17 segs. e 4,2 segs. respectivamente), apresentou o melhor resultado de Recall com 99% de assertividade na previsão de indisponibilidade. E para o trabalho em questão, como a previsão de indisponibilidade é o principal critério a ser avaliado, o algoritmo LSTM em geral obteve os melhores resultados.

show abstract

Can we Predict Performance Events with Time Series Data from Monitoring Multiple Systems?

Cited by 5 publications

References 18 publications

Performance evaluation of virtual cloud labs using hypervisor and container

Performance evaluation of virtual cloud labs using hypervisor and container

A Taxonomy of Techniques for SLO Failure Prediction in Software Systems

Aprendizado De Máquina Em Ambientes Hospitalares: Um Estudo De Análise De Tendências De Sobrecarga Em Sistemas De Tecnologias Da Informação E Comunicação

Contact Info

Product

Resources

About