Δυναμική Ανάθεση Υπολογιστικών Πόρων σε μια Πολυ-επίπεδη Edge-Cloud Υποδομή Αξιοποιώντας LSTM Μοντέλα για την Πρόβλεψη των Απαιτήσεων Εφαρμογών με Δομή Αρχιτεκτονικής Μικροϋπηρεσιών

Abstract

Ο σύγχρονος τρόπος ζωής «θέλει» τους χρήστες των 5G δικτύων να έχουν ολοένα και περισσότερες απαιτήσεις από αυτά για την ικανοποίηση αιτημάτων που σχετίζονται άμεσα με την καθημερινότητά τους. Η πραγματικότητα αυτή αντικατοπτρίζεται στην συνεχή επέκταση της αγοράς παρυφής, ομίχλης και νέφους. Έρχεται έτσι στο προσκήνιο το πρόβλημα της αποτελεσματικής δέσμευσης των διαθέσιμων πόρων του δικτύου, όχι μόνο για την παροχή υπηρεσιών υψηλής ποιότητας, αλλά και για την ασφάλεια των χρηστών. Επιπλέον, οι περισσότερες εφαρμογές σήμερα εκτελούνται ως ανεξάρτητες μικροϋπηρεσίες σε διαφορετικές τοποθεσίες του δικτύου. Καθίσταται λοιπόν αναγκαία η πρόβλεψη των υπολογιστικών τους απαιτήσεων για την εκ των προτέρων δέσμευση των διαθέσιμων δικτυακών πόρων, μειώνοντας έτσι τις καθυστερήσεις λόγω συνωστισμού των αιτημάτων. Στην παρούσα διπλωματική εργασία εστιάζουμε στην πρόβλεψη των υπολογιστικών πόρων που απαιτούν εφαρμογές με δομή μικροϋπηρεσιών εντός μιας υποδομής παρυφής-νέφους, αξιοποιώντας Νευρωνικά Δίκτυα Μακράς Βραχύχρονης Μνήμης, γνωστά ως LSTMs. Προτείνουμε δύο προσεγγίσεις: ένα Global LSTM για την πρόβλεψη κάθε τύπου φορτίου και ένα Multi-LSTM αποτελούμενο από τρία LSTM μοντέλα, εξειδικευμένα στην πρόβλεψη φορτίων χαμηλής, μέτριας και υψηλής μεταβλητότητας αντίστοιχα. Η καινοτομία των μοντέλων μας έγκειται στην χρήση μιας ασύμμετρης συνάρτησης απώλειας, με ποινή για τις υπο-προβλέψεις, εξασφαλίζοντας έτσι ένα περιθώριο ασφαλείας στις αναμενόμενες απαιτήσεις. Αφού αναλύσουμε την επίδραση του παράγοντα ποινής στα αποτελέσματα της δέσμευσης, συγκρίνουμε έπειτα την απόδοση των δύο προσεγγίσεων μεταξύ τους, καταλήγοντας στην υπεροχή του Multi-LSTM. Για να εξασφαλίσουμε την καθολικότητα της αποδοτικότητας των μοντέλων μας συγκρίνουμε ακόμα τα αποτελέσματα της προληπτικής τους δέσμευσης, με αυτά που προκύπτουν από τρία μοντέλα σταθερής πρόβλεψης και από τρία μοντέλα Black-Scholes (BS), βλέποντας πως πράγματι η χρήση και των δύο LSTM προσεγγίσεων επιστρέφει τα καλύτερα αποτελέσματα. Στόχος μας είναι αρχικά η ανάδειξη της σημασίας της πρόβλεψης για την αποτελεσματικότερη δέσμευση των πόρων ενός δικτύου και συγκεκριμένα της καταλληλότητας των LSTM μοντέλων για τον σκοπό αυτό. Μέσα από τις συγκρίσεις των διαφορετικών μοντέλων αναδεικνύουμε τις σχέσεις αλληλεξάρτησης (trade-offs) που αναδύονται από την φύση του προβλήματός μας και καλούμαστε να αποφασίσουμε την αποδοτικότερη προσέγγιση κάθε φορά, βάσει μιας συνάρτησης βελτιστοποίησης.