Towards predictive maintenance in High Performance Computing using Deep autoencoder networks: a preliminary study on Marconi100 supercomputer

I sistemi HPC, sono macchine complesse con componenti eterogenei che possono rompersi o avere dei malfunzionamenti. Queste problematiche possono provocare ingenti danni sia a livello economico che all’infrastruttura stessa. Allo stato dell’arte il rilevamento automatico delle anomalie su questi sistemi è una attività molto complicata e critica. Quello da cui si può trarre vantaggio per questo scopo è l’enorme quantità di dati provenienti da infrastrutture di monitoraggio di cui questi sistemi sono equipaggiati. Infatti la novità introdotta degli algoritmi di Machine Learning è la capacità di analizzare grandi quantitativi di dati e identificare in modo proattivo potenziali problematiche e relative cause. Questo lavoro di tesi ha l’obiettivo di condurre un’analisi preliminare, usando diversi modelli basati su tecniche di Deep Learning, per capire se è possibile fare anomaly detection e manutenzione predittiva su sistemi HPC. In particolare lo studio si svolge sul supercomputer MARCONI100 del Cinceca, di cui per la prima volta vengono analizzati i dati.