Προσαρμοστικός διαμοιρασμός πόρων σε υπολογιστικά νέφη με χρήση περιεκτών και βαθιάς ενισχυτικής μάθησης

Abstract

Η ελαστική διαχείριση πόρων είναι μια πολύ επιθυμητή λειτουργικότητα σε εφαρμογές που σχεδιάζονται και εκτελούνται σε υπολογιστικά νέφη καθώς πολλές συνηθισμένες πολιτικές τιμολόγησης κοστολογούν με βάση την κατανάλωση των πόρων. Είναι λοιπόν αρκετά σημαντική η βέλτιστη χρησιμοποίηση των πόρων ώστε τα κόστη να είναι τέτοια που να δικαιολογούν τη μεταφορά εφαρμογών σε υπολογιστικά νέφη. Η χρήση περιεκτών (containers) για το σχεδιασμό και την μεταφορά εφαρμογών σε υπολογιστικά νέφη είναι μια πιο αποδοτική προσέγγιση σε σχέση με την συνηθισμένη τακτική της χρήσης εικονικών μηχανών. Αυτό γιατί οι εικονικές μηχανές εισάγουν ένα σημαντικό κόστος σε χρόνο και σε πόρους αφού κάθε μηχανή πρέπει να τρέχει δικό της λειτουργικό σύστημα, σε αντίθεσή με τους περιέκτες που διαμοιράζονται τους πόρους της εικονικής ή φυσικής μηχανής. Η χρήση περιεκτών συνδράμει στην ανάπτυξη εφαρμογών με το πρότυπο των microservices όπου η εφαρμογή χωρίζεται σε πολλές μικρότερες ανεξάρτητες οντότητες οι οποίες μπορούν να τρέχουν ανεξάρτητα. Αυτό το πρότυπο ενισχύει τις δυνατότητες της ελαστικής διαχείρισης πόρων αφού η κάθε οντότητα μπορεί να εκτελείται με διαφορετικό αριθμό περιεκτών ανάλογα με τις ανάγκες. Η χρήση περιεκτών δημιούργησε γρήγορα ανάγκες συστημικής οργάνωσης και συντονισμού τους καθώς αυξάνεται το πλήθος και η διαφορετικότητα αυτών στο πλαίσιο μιας ενιαίας εφαρμογής. Το σύστημα Kubernetes είναι ένα σύστημα που εξυπηρετεί ακριβώς αυτό τον σκοπό. Ενώ είναι πολύ αποδοτικό σε ζητήματα συντονισμού των περιεκτών πάσχει σε ζητήματα διαχείρισης πόρων αφού προσφέρει μόνο απλοϊκές προσεγγίσεις , οι οποίες είναι ανεπαρκείς για σύνθετες εφαρμογές όπως μια NoSQL βάση που χρησιμοποιήθηκε στα πλαίσια της εργασίας. Για το λόγο αυτό προτείνουμε ένα μοντέλο βαθιάς ενισχυτικής μάθησης το οποίο λειτουργεί συμπληρωματικά σε ένα σύμπλεγμα μηχανών Kubernetes για τον έλεγχο και τη δυναμική διαχείριση των περιεκτών της εφαρμογής. Για να ξεπεράσουμε θεμελιώδεις δυσκολίες σχετικά με την εκπαίδευση τέτοιων μοντέλων σε ρεαλιστικές συνθήκες και να μειώσουμε το χρόνο και τον αριθμό των αλληλεπιδράσεων του μοντέλου με το σύστημα, χρησιμοποιούμε τεχνικές βελτιστοποίησης της εκπαίδευσης από τη σύγχρονη βιβλιογραφία καθώς και αλγορίθμους ασύγχρονης ενισχυτικής μάθησης. Δείχνουμε ότι το προτεινόμενο σύστημα έχει συστηματική βελτίωση της απόδοσης σε σχέση με το αντίστοιχο σύστημα σύγχρονης εκπαίδευσης και πως καταφέρνει να εξάγει βελτιωμένες πολιτικές λήψης αποφάσεων ακόμα και σε χαμηλής ποιότητας δεδομένων.