Phronesis, un outil de diagnostic et de résolution pour les administrateurs systèmes

Phronesis, a diagnosis and recovery tool for system administrators

• Auteur / Autrice : Christophe Haen
• Direction : Vincent Barra
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 24/10/2013
• Etablissement(s) : Clermont-Ferrand 2
• Ecole(s) doctorale(s) : École doctorale des sciences pour l'ingénieur (Clermont-Ferrand)
• Partenaire(s) de recherche : Equipe de recherche : Laboratoire d'Informatique, de Modélisation et d'Optimisation des Systèmes
• Jury : Président / Présidente : David R. C. Hill
• Jury : Examinateurs / Examinatrices : Philippe Preux, Abdel-Illah Mouaddib, Niko Neufeld
• Jury : Rapporteurs / Rapporteuses : Philippe Preux, Abdel-Illah Mouaddib

Mots clés

Mots clés contrôlés

Informatique autonome

Mots clés libres

CERN

LHCb

Informatique autonome

Apprentissage par renforcement

Intelligence artificielle

Diagnostiques

Recouvrement

Administration système

Linux

CERN

LHCb

Autonomic computing

Reinforcement learning

Artificial intelligence

Diagnosis

Recovery

System administration

Linux

Résumé

Le système online de l'expérience LHCb repose sur une large infrastructure informatique hétérogène, composée de milliers de serveurs sur lesquels de nombreuses applications différentes sont exécutées. Certaines applications sont critiques (prise de données, contrôle du détecteur), d'autres secondaires (serveurs web). Administrer un tel système et s'assurer de son bon fonctionnement représente une lourde charge de travail pour une petite équipe d'experts. Des recherches ont été menées afin d'automatiser certaines tâches d'administration système. En 2001, IBM définit les « self-objectives » sensés conduire à l' «autonomic computing» (informatique autonome). Dans ce contexte, nous présentons un framework basé sur l'intelligence artificielle et l'apprentissage par renforcement pour surveiller et diagnostiquer de manière non intrusive les systèmes et logiciels basés sur Linux. De plus, notre approche d’expérience partagée ainsi que notre architecture suivant le paradigme Objet permettent d'augmenter considérablement la vitesse d'apprentissage et de corréler les problèmes.

The LHCb online system relies on a large and heterogeneous IT infrastructure made from thousands of servers on which many different applications are running. They run a great variety of tasks : critical ones such as data taking and secondary ones like web servers. The administration of such a system and making sure it is working properly represents a very important workload for the small expert-operator team. Research has been performed to try to automatize (some) system administration tasks, starting in 2001 when IBM defined the so-called “self objectives” supposed to lead to “autonomic computing”. In this context, we present a framework that makes use of artificial intelligence and machine learning to monitor and diagnose at a low level and in a non intrusive way Linux-based systems and their interaction with software. Moreover, the shared experience approach we use, coupled with an "object oriented paradigm" architecture increases a lot our learning speed, and highlight relations between problems.