Исследование методов машинного обучения без учителя для анализа задач в больших вычислительных сетях

Abstract

Целью магистерской диссертации является обоснование выбора метода кластеризации данных для поиска закономерностей и аномалий на основе проведенного сравнительного анализа методов кластеризации исходных данных. Найденные закономерности и аномалии могут повлиять на время выполнения задач на вычислительных узлах распределенной системы Большого Адронного Коллайдера (ЦЕРН). Метод кластеризации данных для поиска закономерностей и аномалий позволит предсказывать длительность обработки цепочек заданий в больших вычислительных сетях.

The purpose of the master's thesis is to choose the optimal data clustering method for patterns and anomalies detection on the basis of comparative analysis of clustering methods. Those patterns and anomalies can affect job execution time on the computational nodes of the distributed system of the Large Hadron Collider (CERN). Data clustering method for patterns and anomalies detection will allow to predict the duration of job chains in large distributed networks.