Modelování dat charakterizujících virtuální server pomocí RBF neuronových sítí

Abstract

Diplomová práce se zabývá návrhem modelu pro klasifikaci dat naměřených na virtuálních serverech Univerzity Pardubice, konkrétně na webovém serveru Portal a databázovém serveru Oracle. Cílem předložené práce je s co nejvyšší přesností klasifikovat data do tříd, které reprezentují možné chybové stavy serverů. Klasifikace je provedena pomocí neuronových sítí typu RBF, metodou učení s učitelem. Na začátku práce jsou charakterizovány pojmy virtualizace, virtualizace serverů a její možné metody. Dále jsou popsány základní pojmy neuronových sítí, metody učení neuronových sítí a neuronové sítě typu RBF. Další kapitola se zabývá návrhem modelu pro klasifikaci. V první části návrhu jsou zanalyzovaná a předzpracovaná poskytnutá data, mezi kterými je také zjišťována možná existence korelační závislosti. Poté následují experimenty, jejichž cílem je zjištění optimální struktury a parametrů navrhované neuronové sítě. K těmto experimentům je využito programového prostředku SPSS Clementine. Na závěr je uskutečněna analýza dosažených výsledků klasifikace a ověření navrženého modelu RBF neuronové sítě.