Κάθετη και οριζόντια ελαστικότητα σε περιβάλλοντα συστάδων εικονικών δοχείων με χρήση τεχνικών βαθιάς ενισχυτικής μάθησης

Λιανός, Νικόλαος; Lianos, Nikolaos

dc.contributor.author	Λιανός, Νικόλαος	el
dc.contributor.author	Lianos, Nikolaos	en
dc.date.accessioned	2021-05-12T15:11:27Z
dc.date.available	2021-05-12T15:11:27Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53394
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21092
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.subject	Εικονικά δοχεία	el
dc.subject	Ελαστικότητα	el
dc.subject	Βαθιά ενισχυτική μάθηση	el
dc.subject	Οριζόντια κλιμάκωση	el
dc.subject	Κάθετη κλιμάκωση	el
dc.subject	Containers	en
dc.subject	Elasticity	el
dc.subject	Deep reinforcement learning	el
dc.subject	Horizontal autoscaling	el
dc.subject	Vertical autoscaling	el
dc.title	Κάθετη και οριζόντια ελαστικότητα σε περιβάλλοντα συστάδων εικονικών δοχείων με χρήση τεχνικών βαθιάς ενισχυτικής μάθησης	el
dc.title	Vertical and horizontal elasticity in clusters of containers using deep reinforcement learning	en
heal.type	masterThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Machine learning	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-03-19
heal.abstract	Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη πράκτορα βασισμένου στις τεχνικές βαθιάς ενισχυτικής μάθησης και αλγορίθμων όπως του Deep Q-Learning ο οποίος θα εκπαιδευθεί ώστε να ελέγχει την οριζόντια και κάθετη ελαστικότητα συστάδας εικονικών δοχείων σε περιβάλλον εφαρμογής με μεταβαλλόμενο φόρτο εργασίας. Ταυτόχρονα, θα μελετηθεί η συμπεριφορά του πράκτορα καθώς χρησιμοποιείται μια σύνθετη μετρική για την απόδοσή του που θα βασίζεται στην καλή αξιοποίηση πόρων αλλά και στην αξιοποίηση CPU και τη δυνατότητα του πράκτορα να αποφεύγει παραβιάσεις χρόνου ανταπόκρισης. Στη συνέχεια, θα μελετηθεί και μια προσέγγιση ιδανική για υβριδικό χώρο ενεργειών που μπορεί να οδηγήσει σε μεγαλύτερο ελέγχο κατά την κάθετη κλιμάκωση των εικονικών δοχείων. Στην εργασία θα γίνει χρήση της προγραμματιστικής γλώσσας Python τόσο για το περιβάλλον προσομοίωσης των πειραμάτων αλλά και για την ανάπτυξη των πρακτόρων. Προς αυτό θα γίνει χρήση και της βιβλιοθήκης Tensorflow 2.1.	el
heal.abstract	The purpose of this thesis is to develop an agent based on deep reinforcement learning techniques and algorithms such as Deep Q-Learning which will be trained to control the horizontal and vertical elasticity of a cluster of containers in an application environment with variable workload. Agent behavior will be studied as a complex performance metric is used based on good resource utilization and provisioning as well as on CPU utilization and the agent's ability to avoid response time violations. In addition, we will introduce an approach ideal for a hybrid action space that can lead to greater control in regards to the vertical scaling of containers. The Python programming language will be used for both the simulation environment of the experiments and the development of the agents. The Tensorflow 2.1 library will also be used for the development.	en
heal.advisorName	Κοζύρης, Νεκτάριος	el
heal.advisorName	Koziris, Nectarios	en
heal.committeeMemberName	Στάμου, Γεώργιος
heal.committeeMemberName	Γκούμας, Γεώργιος	el
heal.committeeMemberName	Stamou, Georgios	en
heal.committeeMemberName	Goumas, Georgios	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	74 σ.	el
heal.fullTextAvailability	false