MLOps-pipeline megvalósítása Kubernetes-környezetben

Hajnal Csaba Kartal (2025) MLOps-pipeline megvalósítása Kubernetes-környezetben. Pénzügyi és Számviteli Kar.

	PDF MLOps-pipeline megvalósítása Kubernetes-környezetben_Hajnal_Csaba_Kartal_EAJRT0_final.pdf Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (12MB)
	Archive (ZIP) MLOPS-BQ Querys.zip Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (17kB)
	Archive (ZIP) MLOPS.zip Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (175kB)
	PDF biralatilap_Hajnal_Csaba.pdf Hozzáférés joga: Bizalmas dokumentum (bírálat) Download (93kB)

Absztrakt (kivonat)

A dolgozat célja egy Kubernetes-alapú MLOps-pipeline megvalósítása, amely képes a Google Cloud Platform auditnaplóinak valós idejű feldolgozására és a gyanús események automatikus kiemelésére. A kutatás bemutatja az audit logok szerkezetét, a Pub/Sub és Dataflow alapú adatáramlást, valamint azt, hogyan alakítható ki BigQuery-re épülő elemzési környezet. A pipeline az MLflow segítségével biztosítja a modellkísérletek nyomon követését, a verziózást és a reprodukálhatóságot, míg a Kubernetes és Docker felel a skálázható futtatási környezetért. A rendszer monitorozását Prometheus és GCP Cloud Monitoring végzi, így a modell és az infrastruktúra állapota folyamatosan figyelhető külső vizuális eszköz nélkül is. A dolgozat igazolja, hogy a gépi tanulás és az MLOps módszertana hatékonyan alkalmazható nagy mennyiségű auditnapló feldolgozására, és jelentősen csökkenti a hibadetektálási időt, ezáltal növelve az üzemeltetés biztonságát és megbízhatóságát.

Intézmény

Budapesti Gazdasági Egyetem

Kar

Pénzügyi és Számviteli Kar

Tudományterület/tudományág

NEM RÉSZLETEZETT

Szak

Gazdaságinformatikus

Mű típusa:	diplomadolgozat (NEM RÉSZLETEZETT)
Kulcsszavak:	Anomáliadetektálás, auditnaplók, BigQuery, Cloud Logging, CRISP-DM, Dataflow, devops, Docker, Felhőalapú adatfeldolgozás, gépi tanulás, Google Cloud Platform, Kubernetes, MLflow, MLOps, MLOps-pipeline, Pipeline, Pub/Sub
SWORD Depositor:	User Archive
Felhasználói azonosító szám (ID):	User Archive
Rekord készítés dátuma:	2026. Júl. 09. 11:04
Utolsó módosítás:	2026. Júl. 09. 11:04

Actions (login required)

Tétel nézet