Розподілена система моніторингу мікросервісів з автоматичним виявленням аномалій

Скорочена інформація про документ
dc.contributor.advisorТарасенко-Клятченко, Оксана Володимирівна
dc.contributor.authorРедько, Катерина Олегівна
dc.date.accessioned2026-06-30T09:16:54Z
dc.date.available2026-06-30T09:16:54Z
dc.date.issued2026
dc.description.abstractКваліфікаційна робота включає пояснювальну записку (с., 26 рис., 11 табл., 2 додатки). Об’єкт розробки – розподілена програмна система моніторингу мікросервісів з автоматичним виявленням аномалій у метриках продуктивності на основі методів машинного навчання. Розроблена система дозволяє: приймати метрики продуктивності (час відповіді, завантаження процесора, обсяг оперативної пам'яті, частота запитів) від клієнтських мікросервісів через REST API з аутентифікацією за API-ключем; виявляти аномальну поведінку у потоці метрик у режимі реального часу методом Z-score, а в архівних даних — алгоритмом ML.NET SrCnn; передавати нові метрики, виявлені аномалії та статуси сервісів клієнтам через WebSocket- з'єднання з ізоляцією даних за API-ключем; зберігати історію метрик та зафіксованих аномалій для ретроспективного аналізу. У процесі розробки використовувалися платформа .NET 10, бібліотека машинного навчання ML.NET, бібліотека реального часу ASP.NET Core SignalR. Як база даних застосовано PostgreSQL з провайдером Entity Framework Core. В ході розробки: проведено аналіз існуючих систем моніторингу мікросервісів (Prometheus, Grafana, Datadog) та визначено їх переваги і недоліки щодо виявлення аномалій; досліджено та порівняно методи виявлення аномалій у часових рядах: статистичний метод Z-score та алгоритм SrCnn на основі спектрального аналізу і згорткових нейронних мереж; розроблено архітектуру розподіленої системи моніторингу з чотирма рівнями: збір даних, обробка і зберігання, виявлення аномалій, відображення; реалізовано модель приймання метрик за принципом push: клієнтські сервіси самостійно надсилають пакети метрик через REST API з аутентифікацією за API-ключем, що дозволяє підключати сервіси будь- якої технологічної платформи; розроблено серверну частину системи на платформі ASP.NET Core 10 за принципами чистої архітектури з розділенням на чотири проєкти, асинхронною чергою приймання метрик на основі System.Threading.Channels та фоновими службами для оброблення метрик і контролю health-статусу сервісів; реалізовано real-time дашборд для візуалізації метрик та аномалій з використанням SignalR і Chart.js; проведено тестування системи та порівняльний аналіз точності методів виявлення аномалій на синтетичних тестових даних. Впровадження розробленої системи дозволить скоротити час виявлення інцидентів у мікросервісних системах та зменшити залежність від ручного налаштування порогових значень завдяки автоматичному аналізу на основі машинного навчання.
dc.description.abstractotherThe qualification thesis includes an explanatory note (p., 26 fig., 11 tab., 2 appendices). The object of development is a distributed software system for monitoring microservices with automatic anomaly detection in performance metrics based on machine learning methods. The developed system enables: receiving performance metrics (response time, CPU usage, memory consumption, request rate) from client microservices via REST API with API-key authentication; detecting anomalous behavior in the metrics stream in real time using the Z-score method, and in archived data using the ML.NET SrCnn algorithm; transmitting new metrics, detected anomalies, and service statuses to clients via WebSocket connections with data isolation by API key; storing the history of metrics and detected anomalies for retrospective analysis. The .NET 10 platform, the ML.NET machine learning library, and the ASP.NET Core SignalR real-time library were used during development. PostgreSQL with the Entity Framework Core provider was used as the database. During development: an analysis of existing microservice monitoring systems (Prometheus, Grafana, Datadog) was conducted, identifying their advantages and limitations regarding anomaly detection; methods of anomaly detection in time series were investigated and compared: the statistical Z-score method and the SrCnn algorithm based on spectral analysis and convolutional neural networks; the architecture of a distributed monitoring system with four layers — data collection, processing and storage, anomaly detection, visualization — was designed; a push-based metric ingestion model was implemented: client services autonomously send metric batches via REST API with API-key authentication, which allows integration of services built on any technology stack; the server-side of the system was developed on the ASP.NET Core 10 platform following Clean Architecture principles, with separation into four projects, an asynchronous metric ingestion queue based on System.Threading.Channels, and background services for metric processing and service health monitoring; a real-time dashboard for visualizing metrics and anomalies was implemented using SignalR and Chart.js; system testing and a comparative analysis of anomaly detection accuracy on synthetic test data were performed. The implementation of the developed system will reduce the time required to detect incidents in microservice-based systems and decrease the dependency on manual threshold configuration through automated analysis based on machine learning.
dc.format.extent83 с.
dc.identifier.citationРедько, К. О. Розподілена система моніторингу мікросервісів з автоматичним виявленням аномалій : дипломний проєкт ... бакалавра : 123 Комп'ютерна інженерія / Редько Катерина Олегівна. – Київ, 2026. – 83 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/82009
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectмікросервісна архітектура
dc.subjectмоніторинг
dc.subjectвиявлення аномалій
dc.subjectчасові ряди
dc.subjectz-score
dc.subjectsrcnn
dc.subjectasp.net core
dc.subjectsignalr
dc.subjectml.net
dc.subjectpostgresq
dc.subjectmicroservice architecture
dc.subjectmonitoring
dc.subjectanomaly detection
dc.subjecttime series
dc.subjectpostgresql.
dc.titleРозподілена система моніторингу мікросервісів з автоматичним виявленням аномалій
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Redko_bakalavr.pdf
Розмір:
3.25 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (СПСКС)
Бакалаврські роботи