dc.contributor.author | Προβατάς, Νικόδημος![]() |
el |
dc.contributor.author | Provatas, Nikodimos![]() |
en |
dc.date.accessioned | 2017-02-16T09:14:57Z | |
dc.date.available | 2017-02-16T09:14:57Z | |
dc.date.issued | 2017-02-16 | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/44369 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.13367 | |
dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | * |
dc.subject | Υπολογιστικό νέφος | el |
dc.subject | Ροές εργασιών | el |
dc.subject | Πολλαπλές μηχανές | el |
dc.subject | Βελτιστοποιήση πολλαπλών κριτηρίων | el |
dc.subject | Cloud computing | en |
dc.subject | Workflow | en |
dc.subject | Multiengine | en |
dc.subject | Multiobjective optimization | en |
dc.title | Ακριβείς και ευριστικοί αλγόριθμοι σχεδιασμού και βελτιστοποίησης ροών εργασιών σε περιβάλλον υπολογιστικού νέφους με πολλαπλές μηχανές | el |
heal.type | bachelorThesis | |
heal.classification | Πληροφορική | el |
heal.language | el | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2016-10-25 | |
heal.abstract | Οι μοντέρνες ροές εργασιών έχουν γίνει αρκετά μεγάλες και πολύπλοκες. Για κάθε εργασία είναι πιθανόν να υπάρχει η δυνατότητα εκτέλεσης σε διαφορετική μηχανή εκτέλεσης. Επομένως, μία ροή εργασιών έχει πολλά διαφορετικά πλάνα εκτέλεσης. Από όλα τα διαφορετικά πλάνα εκτέλεσης που μπορούν να προκύψουν για ροή εργασιών κρίνεται σκόπιμο να βρεθούν τα βέλτιστα ως προς κάποια κριτήρια. Στην παρούσα διπλωματική εργασία, κατασκευάζεται ένας μετα-σχεδιαστής, ο οποίος έχει ως στόχο τον αυτόματο προσδιορισμό των βέλτιστων λύσεων κατά pareto ως προς τα κριτήρια του χρόνου και του κόστους εκτέλεσης. Ο σχεδιαστής αυτός αρχικά διαβάζει την περιγραφεί μίας ροής εργασιών από ένα XML αρχείο και στη συνέχεια επιχειρεί την εύρεση των κατάλληλων πλάνων με δύο τρόπους, με τη χρήση μοντέλων που προσδιορίζουν το χρόνο και στο κόστος εκτέλεσης κάθε εργασίας σε κάθε μηχανή. Ο πρώτος χρησιμοποιεί έναν βέλτιστο αλγόριθμο που εγγυάται την εύρεση των καλύτερων λύσεων. Ο δεύτερος είναι ο προσεγγιστικός γενετικός αλγόριθμος NSGA-II. Στόχος είναι η αξιολόγηση των δύο μεθόδων, από την οποία προέκυψε ότι μέγαλη επίδραση στην επίδοση και των δύο αλγορίθμων έχει το μέγεθος της ροής εργασίων, σε αντίθεση με το πλήθος των μηχανών όπου επηρεάζει κυρίως το βέλτιστο αλγόριθμο. Επίπλέον, υπάρχουν περίπτωσεις όπου ο προσεγγιστικός αλγόριθμος είναι σημαντικά πιο γρήγορος από τον βέλτιστο (μέχρι και 152 φορές), γεγονός που υποδεικνύει τη χρήση του δεδομένης της μικρής απόστασης των λύσεων. Τέλος, διαπιστώνεται ότι χρησιμοποιώντας τον σχεδιαστή μπορεί να επιτευχθεί εντοπισμός καλύτερου πλάνου εκτέλεσης ως προς κάποιο κρίτηριο σε σχέση με το να εκτελούταν όλη τη ροή στην ίδια μηχανή εκτέλεσης. | el |
heal.abstract | Modern workflows have become extremely large and complex. Each task in the workflow might be able to execute in more than one execution engines. Therefore, a workflow has many different execution plans. From all different execution plans available for the workflow, it is crucial to locate the best plans according to some objectives. In this diploma thesis, a meta-planner is built , which target is to locate the best pareto solutions according to the time and cost objectives. At first, the planner reads the description of the workflow from an XML file and then attempts to find the appropriate execution plans in two ways, using models that describe the time and cost of executing each operator in any engine. The first way uses and optimal algorithm that guarantees the best solutions. The second is the approximate genetic algorithm NSGA-II. The target is the evaluation of the two methods, which showed that the size of the workflow really affects the performance of the two algorithms. Instead, the number of the available execution engines affects mostly the optimal algorithm. Moreover, there are cases that NSGA-II is much faster than the optimal (up to 152 times), which indicates its usage given the small distance of the solution sets. In the end, it is found that using the meta-planner can locate better execution plans according to an objective, instead of executing the whole workflow in the same execution engine. | en |
heal.advisorName | Κοζύρης, Νεκτάριος | el |
heal.committeeMemberName | Κοζύρης, Νεκτάριος | el |
heal.committeeMemberName | Γκούμας, Γεώργιος | el |
heal.committeeMemberName | Τσουμάκος, Δημήτριος | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Υπολογιστικών Συστημάτων | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 78 σ. | el |
heal.fullTextAvailability | true |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: