Mariana Trench. Χρησιμοποιώντας βαθειά μηχανική μάθηση για την αντιμετώπιση του προβλήματος της ελαστικότητας σε υπολογιστικά νέφη

Κωνσταντίνος, Μπιτσάκος

dc.contributor.author	Κωνσταντίνος, Μπιτσάκος	el
dc.date.accessioned	2021-05-24T05:15:42Z
dc.date.available	2021-05-24T05:15:42Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53492
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21190
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.subject	Cloud computing
dc.subject	Elasticity
dc.subject	Deep reinforcement learning
dc.subject	Double deep Q learning
dc.title	Mariana Trench. Χρησιμοποιώντας βαθειά μηχανική μάθηση για την αντιμετώπιση του προβλήματος της ελαστικότητας σε υπολογιστικά νέφη	el
dc.contributor.department	cslab	el
heal.type	bachelorThesis
heal.secondaryTitle	Mariana Trench. Using Deep Reinforcement learning for elastic resource management in cloud based environments	en
heal.classification	Πληροφορική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-09-30
heal.abstract	Τα τελευταία χρόνια βρισκόμαστε μπροστά σε δύο μεγάλες αναταράξεις πάνω στον τομέα της επιστήμης υπολογιστών. Από τη μία η ανάγκη για επεξεργασία μεγάλου όγκου δεδομένων σε συνδυασμό με τις τεχνολογίες που αναπτύχθηκαν σχετικά πρόσφατα, έφεραν στο πεδίο τις μη σχεσιακές βάσεις δεδομένων . Πλέον μπορούμε να αποθηκεύουμε και να επεξεργαζόμαστε μεγάλους όγκους δεδομένων, διαμοιρα- σμένων σε υπολογιστικά νέφη, χωρίς τις παραδοσιακές σχεσιακές βάσεις που θα αποτύγχαναν στο σκοπό. Η δυναμική κατανομή πόρων σε αυτά τα υπολογιστικά νέφη ονομάζεται ελαστικότητα. Από την άλλη η τεχνολογική εξέλιξη μας επέτρεψε τη δημιουργία των βαθειών νευρωνικών δικτύων. Το 2013 συνδυάστηκαν τα βαθειά νευρωνικά δίκτυα με την ιδέα της ενισχυτικής μάθησης. Ένα πάντρεμα γνωστό και ως Deep Reinforcement Learning που έμελε να ταράξει τα νερά στο πεδίο της μάθησης παγκοσμίως. Σε αυτή την εργασία προσπαθούμε να συνδυάσουμε αυτούς τους δύο σχετικά νεοσύστατους και ρα- γδαία αναπτυσσόμενους κλάδους, της ελαστικότητας στα υπολογιστικά νέφη και του Deep reinforcement learning. Αποτέλεσμα αυτού του παντρέματος είναι η Mariana Trench, ένα σύστημα που ”μαθαίνει” τις ανάγκες του χρήστη ενός υπολογιστικού νέφους, ύστερα από άμεση διάδραση με το περιβάλλον, προσαρμό- ζεται ταχύτατα και πετυχαίνει να διαμοιράζει τους πόρους του χρήστη ανάλογα με τις συγκεκριμένες ανάγκες του, χρησιμοποιώντας το Deep RL αλλά και δύο εξαιρετικά αποδοτικές επεκτάσεις του. Το Full Deep RL και το Double Deep RL. Τεστάρουμε την υλοποίησή μας πάνω σε απαιτητικές προσομοιώσεις με ευρύ όγκο εισερχόμενων δεδομένων και παραμέτρων για το δίκτυο μας, όπως και με πειράματα πάνω σε πραγματικά υπολογι- στικά νέφη (υπηρεσία Okeanos), τα εξαιρετικά αποτελέσματα των οποίων σας παρουσιάζουμε. Βλέπουμε πως πετυχαίνουμε σημαντική βελτίωση της τάξεως του 60 % στο κέρδος που συλλέγουμε και ταχύτερη σύγκλιση στη βέλτιστη συμπεριφορά από προηγούμενες υλοποιήσεις. Επίσης πετυχαί- νουμε να μετατρέψουμε το μεγάλο όγκο εισερχόμενων δεδομένων από μειονέκτημα σε πλεονέκτημα του πράκτορά μας, καθώς όσο μεγαλύτερος χώρος καταστάσεων τόσο αποτελεσματικότερη η λει- τουργία του. Γρήγορα γίνεται αντιληπτό ότι η Mariana trench δημιουργήθηκε για την ελαστικότητα σε υπολο- γιστικά νέφη αλλά μπορεί να λειτουργήσει εξίσου αποτελεσματικά σε μια πληθώρα διαφορετικών περιβαλλόντων που χαρακτηρίζονται από τη συμπεριφορά ενός χρήστη. Έτσι στη συνέχεια δείχνουμε τις προεκτάσεις μιας τέτοιας υλοποίησης, που φέρνει το Deep RL έξω από τα στενά όρια της επεξεργασίας δεδομένων εικόνων ή ήχων και αναζητούμε τα όρια που τίθονται στα περιβάλλοντα στα οποία μπορεί να λειτουργήσει και να ξεπεράσει τον άνθρωπο ένας πράκτορας του Deep RL, εάν αυτά υπάρχουν.	el
heal.advisorName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Παπασπύρου, Νικόλαος	el
heal.committeeMemberName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	112 σ.	el
heal.fullTextAvailability	true