Ανάπτυξη Συστήματος Κατανεμημένης Μηχανικής Μάθησης για Εκφόρτωση Δεδομένων στις Παρυφές του Δικτύου
Διπλωματική Εργασία
| Επιβλέπων | Ιάκωβος Βενιέρης |
|---|---|
| Συσχετιζόμενο μάθημα | Δίκτυα Ευρείας Ζώνης |
Περιγραφή
Τα τελευταία χρόνια, η ταχεία ανάπτυξη των κινητών συσκευών σε συνδυασμό με την εξαιρετική επίδοση των βαθιών νευρωνικών δικτύων στην επίλυση πολύπλοκων προβλημάτων (κατηγοριοποίηση εικόνας, εντοπισμός αντικειμένων, αναγνώριση φωνής, μοντελοποίηση κειμένου) έχουν δημιουργήσει την ανάγκη για ευφυείς εφαρμογές κινητών συσκευών (smart mobile apps) που σέβονται την ιδιωτικότητα του χρήστη και παρέχουν την απαιτούμενη ποιότητα υπηρεσίας.
Η εκτέλεση νευρωνικών δικτύων στα πλαίσια τέτοιων εφαρμογών εμπεριέχει δύο βασικές προσεγγίσεις: (α) τοπικά, χρησιμοποιώντας τους περιορισμένους υπολογιστικούς πόρους της κινητής συσκευής του χρήστη, και (β) στο υπολογιστικό νέφος ή στις παρυφές του δικτύου (edge) με την υποβοήθηση ενός ισχυρού εξυπηρετητή. Αν επιλεγεί η τοπική εκτέλεση, τότε το βασικό μειονέκτημα είναι ότι οι πόροι της κινητής συσκευής μπορεί να μην είναι πάντοτε επαρκείς και επομένως να μην μπορεί να διατηρηθεί η ποιότητα υπηρεσίας. Αντίθετα, με την απομακρυσμένη εκτέλεση, η επιπρόσθετη καθυστέρηση που εισάγεται λόγω της μεταφοράς των δεδομένων μπορεί να είναι απαγορευτική για την εύρυθμη λειτουργία της εφαρμογής. Μια λύση στα παραπάνω ζητήματα είναι η επιλεκτική κατανεμημένη εκτέλεση ανάλογα με τις συνθήκες και τα δυναμικά χαρακτηριστικά τόσο του απομακρυσμένου εξυπηρετητή και της κινητής συσκευής, όσο και της σύνδεσης μεταξύ τους.
Η αρχιτεκτονική της εκφόρτωσης (offloading) κάνει χρήση της τεχνικής της τομής μοντέλων, όπου γίνεται μερική εκτέλεση του μοντέλου στη συσκευή και προώθηση των ενδιάμεσων χαρακτηριστικών στον εξυπηρετητή ώστε να ολοκληρωθεί η επεξεργασία τους. Η τεχνική αυτή παρουσιάζει πολλές δυναμικές προκλήσεις, όπως είναι η επιλογή του βέλτιστου σημείου τομής ανάλογα με τις εκάστοτε συνθήκες και ανάγκες του χρήστη, ή ο βέλτιστος τρόπος συμπίεσης και κωδικοποίησης των ενδιάμεσων χαρακτηριστικών.
Η προτεινόμενη διπλωματική εργασία περιλαμβάνει τις ακόλουθες φάσεις: (α) ανάπτυξη και αξιολόγηση στρατηγικών τομής μοντέλων για την αποδοτική εκτέλεση εφαρμογών βαθιάς μάθησης, (β) εξερεύνηση και αξιολόγηση τεχνικών διατήρησης της ιδιωτικότητας των δεδομένων, (γ) αξιολόγηση της ανθεκτικότητας του συστήματος σε ακραίες καταστάσεις.
Απαραίτητες γνώσεις προγραμματισμού: Python
Επιθυμητές γνώσεις:Deep Learning _frameworks (_TensorFlow, Keras, PyTorch)