Αλγόριθμοι αποτελεσματικής ανάθεσης cloud-native εφαρμογών σε ετερογενή και κατανεμημένα περιβάλλοντα IoT-Edge-Cloud
Διπλωματική Εργασία
| Επιβλέπων | Εμμανουήλ Βαρβαρίγος |
|---|---|
| Συσχετιζόμενο μάθημα | Δίκτυα Επικοινωνιών |
Περιγραφή
Η αποτελεσματική διαχείριση των υπολογιστικών και δικτυακών πόρων θέτει προκλήσεις για την κατανομή των εφαρμογών στους κατάλληλους πόρους και τη διασφάλιση της παρεχόμενης ποιότητας υπηρεσιών.
Οι απαιτήσεις αυξάνονται με την εμφάνιση νέων εφαρμογών που περιλαμβάνουν δυναμικές ροές εργασίας που απαιτούν επεξεργασία σε πολλαπλά στάδια και ad-hoc υπολογισμούς. Το αντίστοιχο πρόβλημα γίνεται πολύπλοκο, όταν λαμβάνονται υπόψη οι περιορισμοί που θέτουν τα ετερογενή και δυναμικά κατανεμημένα περιβάλλοντα πολλαπλών τεχνολογιών IoT, edge και cloud. Οι σημαντικότεροι περιορισμοί που πρέπει να λαμβάνονται υπόψη κατά τη διαδικασία βελτιστοποίησης είναι οι εκτιμήσεις σε χωρικές (απαιτήσεις επεξεργασίας) και χρονικές (εκτιμώμενος χρόνος επεξεργασίας) διαστάσεις, η ετερογένεια των πόρων, η δικαιοσύνη και η χρήση.
Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη αλγορίθμων που είναι σε θέση να αντιμετωπίσουν την εισαγόμενη αβεβαιότητα κατά τη δέσμευση των πόρων για την εξυπηρέτηση των διαφόρων εφαρμογών.
Επιθυμητές Γνώσεις: Δίκτυα επικοινωνιών, Python/Matlab, Μηχανική μάθηση.
Σχετική****βιβλιογραφία
- R. McKenna, S. Herbein, A. Moody, T. Gamblin, and M. Taufer. “Machine learning predictions of runtime and IO traffic on high-end clusters”. In: 2016 IEEE International Conference on Cluster Computing (CLUSTER). IEEE. 2016, pp. 255–258.
- M. R. Wyatt, S. Herbein, T. Gamblin, A. Moody, D. H. Ahn, and M. Taufer. “PRIONN: predicting runtime and IO using neural networks”. In: Proceedings of the 47th International Conference on Parallel Processing. 2018, pp. 1–12.
- Bertsekas, D. "The auction algorithm: A distributed relaxation method for the assignment problem." Annals of operations research 14.1 (1988): 105-123.
- Y. Mao, Y. Fu, W. Zheng, L. Cheng, Q. Liu and D. Tao, "Speculative Container Scheduling for Deep Learning Applications in a Kubernetes Cluster," in IEEE Systems Journal, doi: 10.1109/JSYST.2021.3129974.