BİTES CPU Analizi
BİTES Savunma & Havacılık stajı kapsamında sunucu sistemlerinin CPU kullanım verilerini analiz eden, gelecek tüketimi tahminleyen ve anomali tespiti yapan hibrit makine öğrenmesi modeli.
Server CPU usage analysis, time-series forecasting, and machine learning anomaly detection developed during BİTES Defense internship.
Proje Hakkında
BİTES CPU Analizi, BİTES Savunma & Havacılık (ASELSAN İştiraki) stajı kapsamında görev kritik aviyonik ve sunucu sistemlerinde işlemci kullanım yükünü gerçek zamanlı izlemek, gelecek periyotlardaki tüketimi tahminlemek (forecasting) ve olası performans darboğazlarını önceden tespit etmek (anomaly detection) amacıyla geliştirilmiş hibrit bir makine öğrenmesi boru hattıdır.
Temel Özellikler
- Zaman Serisi Tahminleme: PyTorch tabanlı derin öğrenme modelleri ve Statsmodels AutoARIMA algoritmalarıyla işlemci yükünün gelecek dönem eğrilerini yüksek doğrulukla kestirir.
- Eşik Üstü Anomali Tespiti: Scikit-learn modelleri ve istatistiksel anomali tespit yaklaşımlarıyla beklenmedik CPU sıçramalarını ve sızıntı paternlerini anında işaretler.
- Deney Takibi & Hiperparametre Optimizasyonu: Model eğitim süreçlerinin Weights & Biases (WandB) ile merkezi izlenmesi ve Optuna ile hiperparametre alanlarının optimize edilmesi.
- Konteynerize Dağıtım: GPU destekli Docker konteynerleri ve Streamlit analitik gösterge paneli.
About the Project
Runtime CPU Usage Analysis & Anomaly Forecasting was engineered during the avionics AI internship at BİTES Defense & Aerospace (ASELSAN subsidiary) to analyze server workload metrics, forecast future CPU demands, and detect runtime anomalies in mission-critical environments.
Key Features
- Time-Series Forecasting: Pairs deep learning (PyTorch) with statistical models (Statsmodels AutoARIMA) to predict compute utilization curves.
- Outlier & Anomaly Detection: Applies Scikit-learn anomaly detection algorithms to flag abnormal execution spikes and memory/CPU leaks before threshold saturation occurs.
- Experiment Tracking: Comprehensive metric visualization using Weights & Biases (WandB) alongside Optuna automated hyperparameter sweeps.
- Dockerized Analytic Suite: Production-ready containerized pipeline with a Streamlit diagnostic dashboard.