A software analysis tool for Energy and Time-aware function placement on the Edge

Abstract

Σε αυτή τη διπλωματική εργασία, παρουσιάζουμε ένα εργαλείο το οποίο προτείνει ένα τρόπο με τον οποίο θα μπορούσαν να τρέξουν οι επιμέρους συναρτήσεις ενός μονολιθικού κώδικα ο οποίος πρέπει να τρέξει σε serverless περιβάλλον, έτσι ώστε με δεδομένο κάποιο ανώτατο όριο χρόνου εκτέλεσης να επιτευχθεί η ελάχιστη δυνατή κατανάλωση ενέργειας στα μηχανήματα που αποτελούν το περιβάλλον cloud-edge το οποίο χρησιμοποιείται. Το περιβάλλον αυτό ενορχηστρώνεται από τον κυβερνήτη και για την διαχείριση των επιμέρους συναρτήσεων χρησιμοποιείται η πλατφόρμα ανοιχτού κώδικα OpenFaaS. Το εργαλείο μας χρησιμοποιεί τεχνικές μηχανικής μάθησης για τις προβλέψεις ενέργειας και χρόνου και αναλύει το αρχείο κώδικα που του δίνεται ως προς τη μνήμη και το χρόνο που απαιτεί κάθε επιμέρους συνάρτηση του. Η αξιοποίηση της πληροφορίας αυτής και η απόφαση για την τελική πρόταση γίνεται με τη βοήθεια ενός αλγορίθμου ελαχιστοποίησης με προσεγγιστική λύση. --- ENGL --- In this thesis, we present a tool that proposes a way in which the individual functions of a monolithic code could run in a serverless environment, so that given a maximum runtime threshold, the minimum possible energy consumption in devices is achieved. These devices consist our serverless infrastructure (cluster), they are orchestrated by Kubernetes and the deployment of our code is managed by a scalable, fault-tolerant event-driven serverless platform called OpenFaaS. Our tool uses machine learning techniques for energy and time predictions and analyzes (profiles) the code file given in terms of memory allocation and the run-time required for each of its individual functions. The utilization of this information and the decision for the final proposal is achieved with the help of our self-developed minimization algorithm with approximate solution.