Dynamic monitoring to find and diagnose software bugs in cloud applications
Cloud applications are composed of a myriad of software components distributed across heterogeneous physical and virtual systems. These systems are inherently difficult to debug, diagnose and repair.
This Ph.D thesis will focus on (i) designing dynamic instrumentation techniques and developing a monitoring infrastructure to introspect distributed applications, and (ii) creating algorithms to detect, locate, diagnose and repair software bugs. Machine learning algorithms will be used to tackle the massive amounts of information generated from the monitoring systems.
Les applications Cloud sont composés d'une myriade de composants logiciels s’exécutant sur des systèmes physiques et virtuels répartis. Ces systèmes sont naturellement complexes à diagnostiquer et à réparer.
Cette thèse se focalise sur (i) le design d'une infrastructure logicielle pour surveiller et introspecter des applications réparties, et sur (ii) la création d'algorithmes pour détecter, diagnostiquer et réparer des bogues logiciels dans ces systèmes. L'apprentissage automatique sera utilisé pour traiter les quantités massives d'informations produites par le système de surveillance.
Martin Monperrus (Associate Professor)
Walter Rudametkin (Associate Professor)
Romain Rouvoy (Associate Professor - HDR)
Spirals Research Group
Inria Lille - Nord Europe
Parc Scientifique de la Haute Borne
40, avenue Halley - Bat. B, Park Plaza
59650 Villeneuve d'Ascq – FRANCE
Please read the entire proposal before contacting the supervisors.
Dynamic monitoring to find and diagnose software bugs in cloud application