Thesis Number |
level |
Language |
Year |
Bilim Dalı |
|
Yüksek Lisans |
İngilizce |
2022 |
Bilgisayar Bilimleri Bilim Dalı |
Son yıllarda veri merkezleri (VM), bankacılık, sağlık, bilgi ve iletişim teknolojisi endüstrileri gibi dünyanın kritik ve önde gelen bazı kurumlarının bel kemiği haline gelecek şekilde hızla gelişti. Bu üstel büyüme, internet kullanıcılarının sayısındaki çarpıcı artış ve büyük veri, yapay zeka, nesnelerin interneti vb. gibi çeşitli bulut tabanlı uygulamalara yönelik yüksek talep tarafından tetiklenmiştir. Sonuç olarak, VM sayısında ve VM elektrik tüketim miktarlarında eş zamanlı bir artış olmuştur. Bu artış VM tesislerindeki ısı yönetimi, sistem güvenilirliğinin sürdürülmesi ve sunucu arızalarının azaltılması gibi yeni karmaşık zorlukları beraberinde getirmiştir.
Bu üstesinden gelmek için literatürde hesaplamalı akışkanlar dinamiği (HAD) modelleri önerilmiştir. HAD hesaplama açısından pahalı olsalar da, VM ısıl dinamiklerini ve sıcaklık dağılımlarını doğru bir şekilde tanımlama yeteneğine sahiptir.
Devasa veri ve hesaplama gücünün mevcudiyeti, umut verici bir yöntem olarak makine öğrenimi (ML) veri odaklı yaklaşımını ortaya çıkardı. Veriye dayalı teknikler, sistemin fiziksel davranışı hakkında açık bilgi olmadan sistem arasındaki verilerdeki karmaşık kalıpları ve ilişkileri bulma yeteneğine sahiptir. Ancak
performansları, veri türü, özellik çıkarma yöntemleri ve algoritma seçimi gibi çeşitli faktörlerle sınırlıdır.
CFD modellerini veriye dayalı modellerle entegre eden hibrit bir yaklaşım, çekici bir alternatif çözüm sunar. Bununla birlikte, hem CFD hem de ML veriye dayalı yöntemlerinin dezavantajlarından muzdariptir.
Bu çalışmada, literatürde ilk kez, sunucu yüzeyi kızılotesi termografi (IRT) görüntülerine uygulanan en güncel yedi derin ön eğitimli evrişimsel sinir ağı (CNN) tabanlı mimari ve iki sığ CNN tabanlı mimariyi beş sunucu çalışma koşulunun otomatik teşhisi için değerlendiriyoruz. Bu koşullar, kısmi işlemci (CPU) yükü, maksimum CPU yükü, ana fan arızası, CPU fan arızası ve sunucu girişi tıkanıklığını içerir. Yaklaşımımız, iki ana aşamayı içeren transfer öğrenme kavramına dayanan denetimli bir öğrenme yaklaşımıdır.
İlk olarak, daha düşük seviyeli özellikleri çıkarmak için büyük ImageNet veri kümesi üzerinde önceden eğitilmiş bir CNN modeli sınıflandırıcısı kullanılır. İkinci olarak, IRT görüntüleri, CNN model sınıflandırıcının daha yüksek seviyelerine ince ayar yapmak için kullanılır.
Beş adet veri bölme oranı için sığ ve derin model mimarilerinin etkinliğini ve genelleştirilmesini değerlendirmek için katmanlı beş katlı çapraz doğrulama yeniden örnekleme yöntemi kullanılır.
Sonuçlar, CNN mimarilerinin birden fazla bölme oranında çoğunluğu yüzde 98'in üzerinde yüksek tahmin performans doğrulukları elde ettiğini göstermektedir. Bu sonuçlar el yordamı özellikleriyle eğitilen geleneksel destek vektör makinesi sınıflandırıcılarının sonuçlarına göre oldukça yüksektir. CNN tabanlı algoritmaların etkinliği ve sağlamlığı, VM operatörlerine sunucuların ısıl yönetimini, enerji verimliliğini ve sistem güvenilirliğini iyileştirmek için al