Ausgangssituation:

Die Überwachung von Produktionssystemen ist unerlässlich, um deren reibungslosen Betrieb zu gewährleisten und Ausfallzeiten zu vermeiden. Mit der zunehmenden Nutzung von Cloud-Infrastrukturen hat sich auch die Überwachung von Produktionssystemen in die Cloud verlagert. Die Cloud-native Überwachung bietet mehrere Vorteile gegenüber der traditionellen Überwachung, darunter Skalierbarkeit, Zuverlässigkeit und Kosteneffizienz. Kubernetes, Prometheus, Grafana und ähnliche Technologien haben sich als beliebte Lösungen für die Cloud-native Überwachung etabliert. Das Ziel dieser Arbeit ist es, eine Methodik für die Cloud-native Überwachung von Produktionssystemen unter Verwendung dieser Technologien zu entwickeln.

Aufgaben:

Die Aufgaben im Rahmen dieser Arbeit sind:

  • Durchführen einer Literaturrecherche über Cloud-natives Monitoring, einschließlich Kubernetes, Prometheus, Grafana und ähnlicher Technologien, um deren Architektur, Komponenten und Anwendungsfälle zu verstehen.
  • Entwicklung einer Methodik für den Einsatz von Kubernetes, Prometheus, Grafana und anderen relevanten Technologien für Cloud-natives Monitoring. Dies umfasst die Konfiguration von Prometheus sowie die Einrichtung von Grafana-Dashboards.
  • Definieren von Metriken, welche für Produktionssysteme überwacht werden sollen, sowie die Identifizierung relevanter Komponenten und die Auswahl geeigneter Metriken.
  • Entwicklung von Dashboards mit Grafana zur Visualisierung der überwachten Metriken. Die Dashboards sollten so gestaltet sein, dass sie Einblicke in die Leistung der Produktionssysteme bieten.
  • Entwicklung von Warnungen und Benachrichtigungen, um die relevanten Stakeholder im Falle von Anomalien oder Ausfällen in den Produktionssystemen zu informieren. Die Warnmeldungen sollten auf den überwachten Metriken basieren und per E-Mail, oder über andere relevante Kanäle versandt werden.

Hinweise zur Bewerbung:

  • Interesse an Cloud-Infrastruktur, Überwachung und Datenvisualisierung
  • Möglichkeit der Einarbeitung gegeben; hierfür werden nach Absprache über den vorhandenen Wissensstand praxisnahe Online-Kurse und Bücher bereitgestellt
  • Hohe Motivation, Neugierde und eine strukturierte Arbeitsweise
  • IT-Affinität und Erfahrung in mindestens einer Programmiersprache
  • Deutsch oder Englisch in Wort und Schrift von elementarer Bedeutung
  • Bewerbungen mit Lebenslauf und aktueller Fächerübersicht bitte per E-Mail an benedikt.scheffler@faps.fau.de

Weitere interessante Themenstellungen im Bereich Machine Learning Operations und Deep Learning sind hier gelistet. Literaturrecherchen sind zu all diesen Themen ebenfalls nach Absprache möglich.

Kategorien:

Forschungsbereich:

Art der Arbeit:

Bachelorarbeit, Diplomarbeit, Hauptseminar, Masterarbeit, Projektarbeit, Studienarbeit

Studiengang:

Energietechnik, Informatik, IPEM, Maschinenbau, Mechatronik, Wirtschaftsingenieurwesen

Technologiefeld:

Künstliche Intelligenz und Maschinelles Lernen, Software Engineering und Deployment

Kontakt: