Παρακολούθηση και Διαχείριση Προσαρμογής Κατανεμημένων Εφαρμογών σε Νεφουπολογιστικά Περιβάλλοντα πολλών Παρόχων (Cloud Resources Management and Monitoring of Distributed Applications hosted in Cloud Environments of more than one Cloud Providers)

Abstract

Η παρούσα εργασία για την Τελική κρίση της Διδακτορικής Διατριβής ασχολείται με καινοτόμες ερευνητικές περιοχές σχετικές με κατανεμημένες εφαρμογές φιλοξενούμενες σε κατανεμημένα συστήματα υπολογιστικού νέφους πολλών παρόχων. Μετά από αναλυτική και ενδελεχή επισκόπηση της βιβλιογραφίας, προέκυψαν τέσσερα βασικά ερευνητικά ερωτήματα ως βασικό θέμα της παρούσας Διδακτορικής Διατριβής. Μέχρι την ενδιάμεση κρίση, το βασικό ερώτημα της ευέλικτης παρακολούθησης κατανεμημένων εφαρμογών σε υπολογιστικά νέφη πολλών παρόχων αλλά και αυτό της βέλτιστης αναπροσαρμογής των πόρων αναλύθηκαν σε βάθος. Επίσης ένα τρίτο ερώτημα για την μεγαλύτερη ακρίβεια στην πρόβλεψη ζήτησης πόρων τόσο σε επίπεδο κεντρικού νέφους πολλών παρόχων αλλά και ένα τέταρτο τελικό ερώτημα εστιαζόμενο στον υπολογισμό της ακρίβειας προγνώσεων με υπολογισμούς που λαμβάνουν χώρα στο άκρο του νέφους με τον επακόλουθο περιορισμό σε πόρους, είναι αντικείμενα που εξετάζονται στο τελικό στάδιο της παρούσας Τελικής Κρίσης της Διδακτορικής Διατριβής. Έχοντας ως βάση αυτά τα ερευνητικά ερωτήματα, προτείνουμε λύσεις που βασίζονται σε κατανεμημένα και πολλών επιπέδων σύνθετα συστήματα επεξεργασίας συμβάντων για αποτελεσματική παρακολούθηση της προαναφερθείσας υποδομής. Επίσης προτείνεται και κατάλληλος αλγόριθμος που αποφασίζει την βέλτιστη αναπροσαρμογή των πόρων του υπολογιστικού νέφους με στόχο την βέλτιστη λειτουργία κατανεμημένων εφαρμογών. Τέλος, αναλύονται και υλοποιούνται με πολύ καλά αποτελέσματα Κατανεμημένοι Αλγόριθμοι Federated Learning όσον αφορά την πρόβλεψη ζήτησης πόρων για εφαρμογές νεφουπολογιστικών συστημάτων. Σε αυτού τους αλγορίθμους εξετάζονται και τεχνολογίες που αφορούν το Άκρο του υπολογιστικού Νέφους πολλών παρόχων. Με αυτό τον τρόπο εξασφαλίζεται η ασφαλής και αδιάλειπτη λειτουργία τους στο εγγύς μέλλον τουλάχιστον. Η προσέγγισή μας αξιολογήθηκε υπό το πρίσμα της κατανάλωσης βασικών πόρων πχ. Μνήμης, Επεξεργαστικής Ισχύος και της στιβαρότητας λειτουργίας του προτεινόμενου συστήματος παρακολούθησης. Όσον αφορά το μοντέλο για την λήψη αποφάσεων σχετικά με την αναπροσαρμογή με βέλτιστο τρόπο των πόρων του υπολογιστικού νέφους, μετρήσεις διεξήχθησαν σχετικά με τους χρόνους εκκίνησης των εικονικών μηχανών των διαφόρων παρόχων δημόσιων και ιδιωτικών που φιλοξενούν εφαρμογές. Αυτές οι βασικές παράμετροι του αλγορίθμου δείχνουν σταθερή συμπεριφορά στους δημόσιους παρόχους. Επίσης αποτελέσματα πειραμάτων σχετικά με τις τελικές τιμές του προτεινόμενου αλγόριθμου με σκοπό την σωστή λήψη απόφασης για αναπροσαρμογή περιβάλλοντος νέφους φανερώνουν την αποτελεσματικότητα της νέας προτεινόμενης μεθόδου. Επίσης, διάφοροι αλγόριθμοι κατανεμημένης αρχιτεκτονικής Federated Learning για πρόβλεψη ζήτησης πόρων νεφουπολογιστικών εφαρμογών έχουν παρουσιαστεί με εξαιρετικά καλά πειραματικά αποτελέσματα προγνώσεων κυρίως λόγω των τεχνικών που εφαρμόστηκαν όπως επιλογής clients αλλά και τεχνολογιών για έλεγχο επαρκούς χρήσης δεδομένων εκπαίδευσης σε multicloud περιβάλλοντα. Τέλος, πολύ καλά αποτελέσματα όσον αφορά την πρόγνωση παρατηρήθηκαν και για Αρχιτεκτονικές Federated Learning προσαρμοσμένες να εκτελούνται και στο Άκρο του Νέφους με λίγους υπολογιστικούς πόρους και χρήση τεχνολογιών κβαντοποίησης αλγορίθμων (Tiny ML).