Προσαρμοστικός Διαμοιρασμός Χώρου Καταστάσεων Μαρκοβιανών Μοντέλων Για Ελαστική Διαχείριση Πόρων

Abstract

Τα συστήματα υπολογιστικού νέφους (cloud computing) έχουν αποτελέσει έναν από τους ταχύτερα αναπτυσσόμενους κλάδους της πληροφορικής κατά τη διάρκεια των τελευταίων ετών. Με την ανάπτυξη τεχνολογιών όπως οι μη-σχεσιακές βάσεις δεδομένων, οι οποίες εξυπηρετούν σήμερα τεράστιους όγκους δεδομένων γνωστών ως Big Data, η ανάγκη για ανάπτυξη εργαλείων τα οποία να ελέγχουν και να συντονίζουν αυτά τα συστήματα είναι σημαντικότερη από ποτέ. Μία από τις μεγαλύτερες προκλήσεις σε αυτό το πεδίο, είναι η ανάπτυξη μεθόδων μέσω των οποίων να γίνεται δυναμική κατανομή πόρων σε αυτές τις εφαρμογές, μια ιδέα γνωστή ως ελαστικότητα (elasticity). Εφόσον η ελαστικότητα είναι μια μορφή προβλήματος λήψης αποφάσεων, για τη λύση του στο παρελθόν έχει προταθεί η χρήση Μαρκοβιανών Διαδικασιών Αποφάσεων (Markov Decision Processes) και Q-Learning για τη μοντελοποίηση αυτών των συστημάτων. Όμως, το πλήθος των παραμέτρων οι οποίες επηρεάζουν τη συμπεριφορά ενός τέτοιου συστήματος είναι υπερβολικά μεγάλος, με αποτέλεσμα αυτές οι παραδοσιακές μέθοδοι να είναι ανεπαρκείς, αφού ακόμα και αν γίνει διακριτοποίηση των συνεχών μεταβλητών το πλήθος των καταστάσεων που θα απαιτούνταν για να αναπαραστήσουν όλους τους δυνατούς συνδυασμούς τους αυξάνει εκθετικά με το πλήθος των παραμέτρων. Στα πλαίσια αυτής της εργασίας, προτείνουμε την χρήση τροποποιήσεων στα παραδοσιακά αυτά μοντέλα ενισχυτικής εκμάθησης, οι οποίες πραγματοποιούν δυναμικό διαμοιρασμό του χώρου καταστάσεων χρησιμοποιώντας Δέντρα Αποφάσεων. Υλοποιούμε και πειραματιζόμαστε με διαφορετικές υλοποιήσεις τέτοιων αλγορίθμων σε σενάρια προσομοίωσης εμπνευσμένα από το χώρο της διαχείρισης πόρων σε υπολογιστικά νέφη, και διαπιστώνουμε ότι οι λύσεις αυτές επιτυγχάνουν καλύτερες επιδόσεις από παραδοσιακές λύσεις σε τέτοιου είδους προβλήματα. Τέλος, δοκιμάζουμε την προτεινόμενη λύση μας σε ένα πραγματικό HBase cluster με τη χρήση του TIRAMOLA, ενός συστήματος διαχείρισης μη-σχεσιακών βάσεων δεδομένων.