Προσαρμοστικός Διαμοιρασμός Χώρου Καταστάσεων Μαρκοβιανών Μοντέλων για Ελαστική Διαχείριση Πόρων

Λώλος, Κωνσταντίνος; Lolos, Konstantinos

dc.contributor.author	Λώλος, Κωνσταντίνος	el
dc.contributor.author	Lolos, Konstantinos	en
dc.date.accessioned	2020-05-13T09:20:28Z
dc.date.available	2020-05-13T09:20:28Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/50530
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.18228
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Ελαστικότητα	en
dc.subject	Διαχείριση Πόρων	el
dc.subject	Υπολογιστικό Νέφος	el
dc.subject	Μαρκοβιανές Διαδικασίες Αποφάσεων	el
dc.subject	Δέντρα Αποφάσεων	el
dc.subject	Elasticity	en
dc.subject	Resource Management	en
dc.subject	Cloud Computing	en
dc.subject	Markov Decision Process	en
dc.subject	Decision Tree	en
dc.title	Προσαρμοστικός Διαμοιρασμός Χώρου Καταστάσεων Μαρκοβιανών Μοντέλων για Ελαστική Διαχείριση Πόρων	el
dc.title	Adaptive State Space Partitioning of Markov Decision Processes for Elastic Resource Management
heal.type	bachelorThesis
heal.classification	ΕΠΙΣΤΗΜΗ ΥΠΟΛΟΓΙΣΤΩΝ/ΠΛΗΡΟΦΟΡΙΚΗ	el
heal.classificationURI	http://data.seab.gr/concepts/77de68daecd823babbb58edb1c8e14d7106e83bb
heal.language	el
heal.language	en
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2016-01-11
heal.abstract	Τα συστήματα υπολογιστικού νέφους (cloud computing) έχουν αποτελέσει έναν από τους ταχύτερα αναπτυσσόμενους κλάδους της πληροφορικής κατά τη διάρκεια των τελευταίων ετών. Με την ανάπτυξη τεχνολογιών όπως οι μη-σχεσιακές βάσεις δεδομένων, οι οποίες εξυπηρετούν σήμερα τεράστιους όγκους δεδομένων γνωστών ως Big Data, η ανάγκη για ανάπτυξη εργαλείων τα οποία να ελέγχουν και να συντονίζουν αυτά τα συστήματα είναι σημαντικότερη από ποτέ. Μία από τις μεγαλύτερες προκλήσεις σε αυτό το πεδίο, είναι η ανάπτυξη μεθόδων μέσω των οποίων να γίνεται δυναμική κατανομή πόρων σε αυτές τις εφαρμογές, μια ιδέα γνωστή ως ελαστικότητα (elasticity). Εφόσον η ελαστικότητα είναι μια μορφή προβλήματος λήψης αποφάσεων, για τη λύση του στο παρελθόν έχει προταθεί η χρήση Μαρκοβιανών Διαδικασιών Αποφάσεων (Markov Decision Processes) και Q-Learning για τη μοντελοποίηση αυτών των συστημάτων. Όμως, το πλήθος των παραμέτρων οι οποίες επηρεάζουν τη συμπεριφορά ενός τέτοιου συστήματος είναι υπερβολικά μεγάλος, με αποτέλεσμα αυτές οι παραδοσιακές μέθοδοι να είναι ανεπαρκείς, αφού ακόμα και αν γίνει διακριτοποίηση των συνεχών μεταβλητών το πλήθος των καταστάσεων που θα απαιτούνταν για να αναπαραστήσουν όλους τους δυνατούς συνδυασμούς τους αυξάνει εκθετικά με το πλήθος των παραμέτρων. Στα πλαίσια αυτής της εργασίας, προτείνουμε την χρήση τροποποιήσεων στα παραδοσιακά αυτά μοντέλα ενισχυτικής εκμάθησης, οι οποίες πραγματοποιούν δυναμικό διαμοιρασμό του χώρου καταστάσεων χρησιμοποιώντας Δέντρα Αποφάσεων. Υλοποιούμε και πειραματιζόμαστε με διαφορετικές υλοποιήσεις τέτοιων αλγορίθμων σε σενάρια προσομοίωσης εμπνευσμένα από το χώρο της διαχείρισης πόρων σε υπολογιστικά νέφη, και διαπιστώνουμε ότι οι λύσεις αυτές επιτυγχάνουν καλύτερες επιδόσεις από παραδοσιακές λύσεις σε τέτοιου είδους προβλήματα. Τέλος, δοκιμάζουμε την προτεινόμενη λύση μας σε ένα πραγματικό HBase cluster με τη χρήση του TIRAMOLA, ενός συστήματος διαχείρισης μη-σχεσιακών βάσεων δεδομένων.	el
heal.abstract	Cloud computing has been one of the fastest evolving industries over the last decade. With the introduction of Big Data and technologies such as distributed non-relational databases, the need for tools that can control and orchestrate those technologies is important as ever. One of the biggest challenges in the field, is developing methods of dynamically allocating resources for these applications, a concept known as elasticity. Since in its core elasticity is a decision making problem, Markov Decision Processes and Q-Learning have been proposed in the past as methods of modeling those systems and making optimal decisions. However, the number of parameters that affect the behavior of these systems is exceedingly large, making traditional methods inadequate to model their full complexity, since even if the parameters are discretized the required number of states needed to model them grows exponentially with their number. In this work, we propose using modifications of traditional reinforcement learning algorithms that partition the state space dynamically using Decision Trees. We implement and experiment with such algorithms in simulation scenarios inspired from the field of cloud computing, and find that they can outperform traditional solutions in these types of scenarios. Finally, we proceed to test our solution in a real HBase cluster running on top of an OpenStack IaaS provider with the help of TIRAMOLA, an open-source, cloud-enabled framework for the management of NoSQL clusters.	en
heal.advisorName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Τσουμάκος, Δημήτριος	el
heal.committeeMemberName	Γκούμας, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	149 σ.	el
heal.fullTextAvailability	true