Αυτοματοποιημένη διαχείριση πόρων με χρήση τεχνικών πρόβλεψης χρονοσειρών και βαθιά ενισχυτική μάθηση

Κουλέτου, Ελένη-Ιωάννα

dc.contributor.author	Κουλέτου, Ελένη-Ιωάννα	el
dc.date.accessioned	2021-03-26T07:12:48Z
dc.date.available	2021-03-26T07:12:48Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53130
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20828
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	Διαχείριση πόρων	el
dc.subject	Πρόβλεψη χρονοσειρών	el
dc.subject	Βαθιά ενισχυτική μάθηση	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Ελαστικότητα	el
dc.subject	Resource management	en
dc.subject	Time-series prediction	en
dc.subject	Deep reinforcement learning	en
dc.subject	Neural networks	en
dc.subject	Elasticity	en
dc.title	Αυτοματοποιημένη διαχείριση πόρων με χρήση τεχνικών πρόβλεψης χρονοσειρών και βαθιά ενισχυτική μάθηση	el
dc.contributor.department	Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.type	bachelorThesis
heal.classification	Cloud Computing	en
heal.classification	Μηχανική Μάθηση	el
heal.classification	Υπολογιστικό Νέφος	el
heal.classification	Machine Learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-03-11
heal.abstract	Τα τελευταία χρόνια το cloud computing είναι ένας από τους πιο επιδραστικούς κλάδους της επιστήμης των υπολογιστών. Οι cloud υπηρεσίες γίνονται ολοένα και πιο δημοφιλείς και ο φόρτος εργασίας των παρόχων συνεχώς και αυξάνεται. Γι' αυτό τον λόγο, η διαχείριση των πόρων τείνει να γίνεται επιτακτική ανάγκη. Η αποτελεσματική διαχείριση πόρων έτσι ώστε να καλύπτονται οι ανάγκες τόσο των παρόχων όσο και των πελατών αποτελεί κυρίαρχο ζήτημα στον ερευνητικό τομέα. Έχουν αναπτυχθεί διαφορετικές τεχνικές για να λυθεί αυτό το ζήτημα. Στην παρούσα διπλωματική, ασχοληθήκαμε με τον συνδυασμό δύο τεχνικών για την δυναμική αυτοματοποίηση των πόρων. Η πρώτη αφορά την πρόβλεψη χρονοσειρών φόρτου εργασίας. Σε αυτόν τον τομέα, υλοποιήσαμε έξι διαφορετικά μοντέλα για την πρόβλεψη χρονοσειρών (ARIMA, Prophet, LSTM, GRU, CNN, Autoencoders), τα οποία συγκρίναμε με τρεις μετρικές σφαλμάτων (μέσο τετραγωνικό σφάλμα, ρίζα του μέσου τετραγωνικού σφάλματος και μέσο απόλυτο σφάλμα). Με μικρή διαφορά, καλύτερο αποδείχτηκε το LSTM. Η δεύτερη αφορά την αυτοματοποιημένη διαχείριση πόρων με χρήση ενός πράκτορα βαθιάς ενισχυτικής μάθησης. Υλοποιήσαμε και πειραματιστήκαμε με δύο διαφορετικές μορφές χρονοσειρών (ένα απλό ημίτονο και μια πιο περίπλοκη χρονοσειρά) και με δύο διαφορετικής μορφής συναρτήσεις επιβράβευσης. Σε κάθε περίπτωση, ο πράκτορας μας λειτουργούσε αρκετά ικανοποιητικά. Στη συνέχεια, συνδυάσαμε τις παραπάνω τεχνικές. Σχεδιάσαμε, λοιπόν, ένα νέο σύστημα το οποίο βασίζεται στον πράκτορα της βαθιάς ενισχυτικής μάθησης αλλά ταυτόχρονα λαμβάνει μια έξτρα πληροφορία για την μελλοντική κατάσταση του περιβάλλοντος μέσω του μοντέλου πρόβλεψης, ώστε να αποφασίσει ποια δράση θα πραγματοποιήσει. Συγκρίναμε το νέο μας μοντέλο με τον απλό πράκτορα βαθιάς ενισχυτικής μάθησης και συμπεράναμε ότι αντιλαμβάνεται πιο γρήγορα τις αλλαγές του φόρτου εργασίας και δρα πιο άμεσα. Αυτό είναι κάτι που περιμέναμε δεδομένου ότι, πλέον, ο πράκτορας μας για να πάρει μια απόφαση λαμβάνει υπόψη του τόσο την τωρινή κατάσταση όσο και μια πρόβλεψη για την μελλοντική κατάσταση του συστήματος. Τέλος, εξετάσαμε και αναφέρουμε μελλοντικές επεκτάσεις του συστήματος μας, ώστε να γίνει ακόμα πιο αποδοτικό.	el
heal.advisorName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Γκούμας, Γεώργιος	el
heal.committeeMemberName	Κωνσταντίνου, Ιωάννης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	92 σ.	el
heal.fullTextAvailability	false