Modelování dat charakterizujících virtuální server pomocí Support Vector Machine

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.