Πρόβλεψη Πολυχαρακτηριστικών Χρονοσειρών Υπολογιστικού Φορτίου & ∆ιαχείριση Πόρων µε Τεχνικές Μηχανικής Μάθησης

Abstract

Τα τελευταία χϱόνια το υπολογιστικό νέϕος είναι ένας από τους πιο επιδραστικούς κλάδους της επιστήµης των υπολογιστών. Οι cloud υπηρεσίες γίνονται ολοένα και πιο δηµοϕιλείς και ο ϕόρτος εργασίας των παρόχων συνεχώς και αυξάνεται. Σύµφωνα µε τον ∆ιεθνή Οργανισµό Ενέργειας η κατανάλωση των Data Centres αποτελεί το 1-1.5% της παγκόσµιας κατανάλωσης ενέργειας, µε το νούµερο αυτό να αναµένεται ακόµα και να εξαπλασιαστεί µέχϱι το 2031. Η ανάγκη για µείωση χρησιµοποιούµενων πόϱων είναι πιο επιτακτική από ποτέ. Αυτό προϋποθέτει µια ακριβή πρόβλεψη της κατάστασης του ϕορτίου εργασίας του συστήµατος και χρήση αυτής για την διαχείριση των πόϱων. Στην παρούσα διπλωµατική, ασχοληθήκαµε µε την πρόβλεψη πολυµεταβλητών χρονοσειρών ϕορτίου εργασίας και εξετάσαµε αν είναι σκόπιµη η υλοποίηση ενός συστήµατος αυτόµατης διαχείρισης. Για τις προβλέψεις εξετάστηκαν τέσσερα διαφορετικά µοντέλα γραµµικής παλινδρόµησης (Γραµµι κή Παλινδρόµηση, Παλινδρόµηση Lasso, Παλινδρόµηση Ridge, Παλινδρόµηση ElasticNet) καθώς και νευρωνικά δίκτυα (DNN, CNN, LSTM), τα οποία συγκρίθηκαν για κάϑε σύνολο δεδοµένων µε τϱεις µετρικές (MAE, ME, PRMSE). Ο µικρός χϱόνος προσαρµογής τους, επέτρεψε την επιλογή του ϐέλτιστου µοντέλου πρόβλεψης για κάϑε υπολογιστικό σύστηµα µετά από σύγκριση. Με ϐάση τις προβλέψεις δείξαµε πως ένα σύστηµα αυτόµατης διαχείρισης ϑα µπορούσε να µειώσει την χϱήση πόϱων έως και 60% σε σχέση µε συστήµατα που δεν χρησιµοποιούν κάποια έξυπνη πολιτική. Τα δεδοµένα προέκυψαν από ανάλυση και επεξεργασία πραγµατικών log data κατανεµηµένων συστηµάτων αλλά και από δηµιουργία συνθετικών δεδοµένων χρονοσειρών. Τέλος, εξετάστηκαν και αναφέρονται µελλοντικές επεκτάσεις της εργασίας, ώστε να υλοποιηθεί το αυτόµατο σύστηµα διαχείρισης των πόϱων.