Βελτιστοποίηση Απόδοσης και Ενορχήστρωση Υπηρεσιών στα Άκρα του Δικτύου μέσω Τεχνολογιών Βαθιάς Μάθησης

Abstract

Στη παρούσα διπλωματική εργασία παρουσιάζεται πληθώρα λύσεων που συμβάλλουν στη βέλτιστη διαχείριση και ενορχήστρωση πόρων που αποτελούν τμήμα Edge και Cloud πλαισίων. Η διπλωματική εργασία χωρίζεται σε θεωρητικό και πρακτικό μέρος. Στο θεωρητικό μέρος, οι αρχιτεκτονικές ιδιαιτερότητες και σχεδιαστικές απαιτήσεις ενός υπερσύγχρονου πλαισίου για την υποστήριξη εφαρμογών εκτεταμένης πραγματικότητας αναλύονται εκτενώς. Ιδιαίτερη έμφαση δίνεται στις μεθοδολογίες πρόβλεψης φόρτου δικτύου και χρήσης πόρων με μεθοδολογίες βαθιάς μάθησης προκειμένου να επιτευχθεί βέλτιστη ενορχήστρωση δικτύων. Επιπλέον γίνεται ανάλυση διαφόρων τεχνικών βελτιστοποίησης υπερπαραμέτρων νευρωνικών δικτύων, ώστε να εξασφαλιστεί η μέγιστη δυνατή αποδοτικότητα του μηχανισμού πρόβλεψης. Στο πρακτικό μέρος, περιλαμβάνεται η υλοποίηση διαφόρων μηχανισμών πρόβλεψης με χρήση βαθιάς μάθησης σε γλώσσα προγραμματισμού python 3. Μέρος του κώδικα βρίσκεται στο τέλος της διπλωματικής στo παράρτημα. Η παρούσα διπλωματική πραγματοποιήθηκε στα πλαίσια δραστηριοτήτων των ερευνητικών προγραμμάτων CHARITY και Accordion που έχουν λάβει χρηματοδότηση από το πρόγραμμα έρευνας και καινοτομίας «Ορίζοντας 2020» της Ευρωπαϊκής Ένωσης. Μέρος της διπλωματικής έχει δημοσιευθεί σε τρία επιστημονικά συνέδρια με κριτές. Οι τίτλοι των δημοσιεύσεων είναι (1) Μια προσέγγιση που βασίζεται σε κωδικοποιητές-αποκωδικοποιητές βαθιάς μάθησης για τη πρόβλεψη φόρτου δικτύου σε μορφή πολλαπλών βημάτων (2) Cloud για ολογραφία και επαυξημένη πραγματικότητα (3) Βελτιστοποίηση υπερπαραμέτρων GRU νευρωνικών δικτύων με την υβριδική Μπεϋζιανή-εξελικτική στρατηγική για πρόβλεψη χρήσης πόρων στο Edge computing.