Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/17988
Τίτλος: Αυτόνομη κλιμάκωση εφαρμογών υπολογιστικού νέφους χωρίς διακομιστή
Συγγραφείς: Φιλίνης, Νικόλαος
Παπαβασιλείου Συμεών
Λέξεις κλειδιά: Υπολογιστικό νέφος
Serverless computing
Ενισχυτική μάθηση
Νευρωνικά δίκτυα
Ελαστικότητα
Κλιμάκωση
Kubernetes
Kubeless
Q-learning
DynaQ+
DQN
Deep Q-learning
Ημερομηνία έκδοσης: 6-Ιου-2021
Περίληψη: Το μοντέλο της παροχής εφαρμογών υπολογιστικού νέφους χωρίς διακομιστή (serverless computing) επιτρέπει τη γρήγορη και απρόσκοπτη ανάπτυξη κώδικα στο υπολογιστικό νέφος με τη μορφή συναρτήσεων γλωσσών προγραμματισμού. Η υποδομή αποκρύπτεται από τον χρήστη και οι πόροι δεσμεύονται δυναμικά ανάλογα με τη ζήτηση. Αυτό το μοντέλο έχει πολλαπλά οφέλη για τον πάροχο υπηρεσιών υπολογιστικού νέφους και τον πελάτη αφού υπάρχουν χρεώσεις μόνο όσο χρησιμοποιούνται οι πόροι και δεσμεύονται μόνο όσοι πόροι χρειάζονται. Η δυναμική δέσμευση και αποδέσμευση των πόρων με βάση τη ζήτηση των υπηρεσιών ονομάζεται ελαστικότητα. Η ρύθμιση και διαχείριση των πόρων πραγματοποιείται από μια serverless πλατφόρμα που τρέχει πάνω από ένα ενορχηστρωτή υπηρεσιών (π.χ., Kubernetes). Η παρούσα εργασία εστιάζει στην καλύτερη διαχείριση της ελαστικότητας ώστε οι εφαρμογές να χρησιμοποιούν με βέλτιστο τρόπο τους διαθέσιμους πόρους και να ελαχιστοποιείται το κόστος χωρίς να υπάρξει πτώση στην απόδοση των εφαρμογών. Στο πλαίσιο της εργασίας χρησιμοποιήθηκε η serverless πλατφόρμα Kubeless και δημιουργήθηκαν ευφυείς πράκτορες ενισχυτικής μάθησης οι οποίοι διαχειρίζονται την κλιμάκωση των παρεχόμενων υπηρεσιών. Για την εκπαίδευση του πράκτορα στα πλαίσια της ενισχυτικής μάθησης αναπτύχθηκαν διάφορες μοντελοποιήσεις του περιβάλλοντος και εφαρμόστηκαν διαφορετικοί αλγόριθμοι ενισχυτικής μάθησης. Στις διακριτές μοντελοποιήσεις του περιβάλλοντος χρησιμοποιήθηκαν αλγόριθμοι όπως ο Q-learning και ο DynaQ+ ενώ στα συνεχή περιβάλλοντα αξιοποιήθηκαν νευρωνικά δίκτυα και εφαρμόστηκε ο αλγόριθμος Deep Q-learning. Η αξιολόγηση της επίδοσής τους έγινε με βάση την απόδοση της εφαρμογής και τη χρησιμοποίηση των πόρων.
URI: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/17988
Εμφανίζεται στις συλλογές:Διπλωματικές Εργασίες - Theses

Αρχεία σε αυτό το τεκμήριο:
Αρχείο Περιγραφή ΜέγεθοςΜορφότυπος 
Filinis_Nikos_RL_Elasticity.pdf2.24 MBAdobe PDFΕμφάνιση/Άνοιγμα


Όλα τα τεκμήρια του δικτυακού τόπου προστατεύονται από πνευματικά δικαιώματα.