Torna ai risultati della ricercaBando per assegno di ricerca
| Titolo del progetto di ricerca in italiano | Machine Learning-based Online Fault Classification in HPC Systems |
|---|---|
| Titolo del progetto di ricerca in inglese | Machine Learning-based Online Fault Classification in HPC Systems |
| Campo principale della ricerca | Computer science |
| Sottocampo della ricerca | Computer systems |
| Settore Concorsuale | 01 - Scienze matematiche e informatiche |
| S.S.D | - |
| Descrizione sintetica in italiano | L’obiettivo di questo progetto è di sviluppare tecnologie per la classificazione di anomalie in sistemi HPC, basate su machine learning. In passato, metodi di machine learning per la classificazione di anomalie sono stati applicati in modo “offline”, utilizzando dati storici archiviati mentre questo progetto renderà l’intero processo online, operando su flussi continui di dati. Il progetto sarà portato avanti in collaborazione con il Leibniz Supercomputing Centre (LRZ) a Monaco di Baviera, in Germania. In una fase iniziale, diversi approcci per la realizzazione di modelli online saranno valutati e corrispondenti algoritmi per la classificazione di anomalie saranno sviluppati. Questa parte del progetto sarà basata su un dataset locale, acquisito su un sistema HPC sperimentale. La fase successiva sarà condotta utilizzando un ambiente HPC reale. Una volta che gli algoritmi sviluppati saranno stati valutati, saranno integrati all’interno del framework per streaming data analytics. |
| Descrizione sintetica in inglese | The goal of this project is to develop effective technologies for detecting and classifying anomalies in HPC systems based on machine learning. Previous work has applied machine learning-based methods to anomaly classification in an “offline” manner where models are built and tested using archived historical data. This project will seek to render the entire process online by designing techniques that work with streamed data. The work will be done in collaboration with the Leibniz Supercomputing Centre (LRZ) in Munich, Germany. Initially, different approaches for online model building will be evaluated and algorithms developed. This work will be based on a local dataset that was acquired from an experimental HPC system while being injected faults. The next phase of the project will be conducted on a test-bed environment producing streamed data from real HPC systems. Once the online anomaly detection algorithms are evaluated, they will be integrated in a data analytics framework. |
| Data del bando | 03/04/2019 |
| Paesi in cui può essere condotta la ricerca |
Italy |
| Paesi di residenza dei candidati |
All |
| Nazionalità dei candidati |
All |
| Sito web del bando | https://www.aricweb.unibo.it/BandiPubblicati/zz_Bandi_din.aspx |
| Destinatari dell'assegno di ricerca (of target group) |
Early stage researcher or 0-4 yrs (Post graduate) |
|---|---|
| Criteri di selezione in italiano (breve descrizione) | il bando e la modulistica per partecipare alla procedura di valutazione comparativa sono disponibili all'indirizzo: https://www.aricweb.unibo.it/BandiPubblicati/zz_Bandi_din.aspx |
| Criteri di selezione in inglese (breve descrizione) | to apply for research grants fill out the form available at the following address: https://www.aricweb.unibo.it/BandiPubblicati/zz_Bandi_din.aspx |
| Nome dell'Ente finanziatore | ALMA MATER STUDIORUM - UNIVERSITA' DI BOLOGNA - - DIPARTIMENTO DI INFORMATICA - SCIENZA E INGEGNERIA |
|---|---|
| Tipologia dell'Ente | Public research |
| Paese dell'Ente | Italy |
| Città | Bologna |
| Sito web | http://www.unibo.it |
| ozalp.babaoglu@unibo.it |
| L'assegno finanziato/cofinanziato attraverso un EU Research Framework Programme? | No |
|---|
| Data di scadenza del bando | 10/05/2019 - alle ore 00:00 |
|---|---|
| Come candidarsi | Other |