Κατηγοριοποίηση και ανάλυση φόρτου εργασίας εφαρμογών εγκατεστημένων σε περιβάλλοντα container με χρήση τεχνητής νοημοσύνης

Abstract

Η ανάπτυξη εφαρμογών σε περιβάλλοντα Cloud, Fog και Edge Computing, αποτελεί πλέον το επικρατέστερο μοντέλο ανάπτυξης εφαρμογών. Σε αυτά τα ετερογενή περιβάλλοντα, υπάρχει μια πληθώρα από λύσεις που αφορούν την τοποθέτηση και την λειτουργία των εφαρμογών. Οι πάροχοι υπηρεσιών Infrastructure as a Service (IaaS) προσφέρουν πολλές λύσεις όσον αφορά την ενοικίαση πόρων. Η βελτιστοποίηση της κατανομής και χρήσης των πόρων σε αυτά τα κατανεμημένα περιβάλλοντα είναι καίριας σημασίας, για την ελαχιστοποίηση του κόστους αλλά και την κάλυψη των απαιτήσεων της εκάστοτε εφαρμογής. Επομένως, είναι απαραίτητο να υπάρχει ένα σύστημα, που να μπορεί να βοηθήσει στη λήψη πιο ενημερωμένων αποφάσεων, βασισμένων στις ανάγκες μιας συγκεκριμένης εφαρμογής. Στην παρούσα διπλωματική εργασία, παρουσιάζουμε μια μέθοδο για βελτιστοποίηση της διαδικασίας δημιουργίας προφίλ εφαρμογών, και την κατηγοριοποίηση φόρτου εργασιών των εφαρμογών. Προτείνουμε τη βελτιστοποίηση πολυδιάστατων διανυσμάτων που αναπαριστούν τα προφίλ απαιτήσεων πόρων των εφαρμογών, τα οποία προφίλ είναι ανεξάρτητα του υποκείμενου υλικού. Υλοποιούμε ένα αλγόριθμο για την επιλογή των χαρακτηριστικών που μπορούν να περιγράψουν καλύτερα την χρήση πόρων μιας εφαρμογής, και να βοηθήσουν στην διάκριση μεταξύ διαφορετικών εφαρμογών, με βάση τη φύση τους και τις υπολογιστικές τους ανάγκες. Επιπλέον, αναπτύσσουμε ένα Τεχνητό Νευρωνικό Δίκτυο (ΤΝΔ) για την κατηγοριοποίηση των εφαρμογών σε γνωστά benchmark. Το ΤΝΔ χρησιμοποιείται επίσης για να βοηθήσει στη διαδικασία επιλογής χαρακτηριστικών, και κατά την αξιολόγηση των προτεινόμενων λύσεων. Το μοντέλο ταξινόμησης αναπτύσσεται χρησιμοποιώντας τη βιβλιοθήκη Keras με το υπόβαθρο του TensorFlow, και η αρχιτεκτονική και η λειτουργία του εξηγούνται. Η τεχνική επιλογής χαρακτηριστικών αξιοποιεί έξι Filter Μεθόδους Επιλογής Χαρακτηριστικών για να κατατάξει τα χαρακτηριστικά, και να επιλέξει τα καλύτερα από αυτά, βάσει της αξίας τους για την διαδικασία της ταξινόμησης. Στη συνέχεια αναζητά τα υποσύνολα χαρακτηριστικών που μεγιστοποιούν την απόδοση του ταξινομητή. Τέλος, παρουσιάζεται μια σειρά πειραμάτων, με βάση τα οποία συγκρίνουμε διαφορετικά υποσύνολα χαρακτηριστικών, και αξιολογούμε την προτεινόμενη μεθοδολογία.