机器学习模型管理系统后端的设计与实现

作     者：张宇昂 

作者单位：南京大学 

学位级别：硕士

导师姓名：王金庆

授予年度：2019年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：机器学习 平台 模型管理 SpringBoot Kubenetes Docker 

摘      要：机器学习算法广泛应用于数据挖掘、计算机视觉、语音识别等各个方面。由于计算机硬件配置的差异性、机器学习模型训练过程的时效性、机器学习算法框架的差异性和模型环境配置的复杂性等问题,传统的机器学习模型普遍存在开发效率低下、硬件资源利用不充分等问题。同时,由于企业对模型训练的输入数据、产生的结果数据等具有较高安全性需求,数据传输和算法开发过程只能在内部系统中进行。因此,企业内部算法工程师迫切需要合适的内部机器学习模型管理系统,用于支持快速进行机器学习模型的训练,快速判断模型效果,并应用到生产之上。这对企业提高算法工程师开发效率,节省企业资源具有重要意义。本文阐述了项目背景,概述了国内外对机器学习模型管理系统的相关研究与应用现状,综述了包括Spring Boot、Docker、Kubernetes、Ceph、机器学习框架等本文涉及的相关技术和产品。论文详细分析了系统需求,提炼了用户认证、命名空间管理、项目管理、数据存储、模型管理、模型预测等功能。在此基础上,设计了系统架构、功能组成,并且以私有云为基础,进行了系统部署设计,详细分析了ER关系,设计了系统数据库。论文通过类图、时序图等方法对各个功能模块进行了详细的设计,并给出了具体实现细节。本文所述系统已经投入实际应用,分别在开发环境和生产环境进行部署,系统运行状态良好。企业内部算法工程师使用该系统进行算法开发简化了开发流程,提高了开发效率。