Αυτόνομη κλιμάκωση εφαρμογών υπολογιστικού νέφους χωρίς διακομιστή

Φιλίνης, Νικόλαος; Filinis, Nikolaos

dc.contributor.author	Φιλίνης, Νικόλαος	el
dc.contributor.author	Filinis, Nikolaos	en
dc.date.accessioned	2021-07-29T09:57:00Z
dc.date.available	2021-07-29T09:57:00Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53739
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21437
dc.rights	Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-sa/3.0/gr/	*
dc.subject	Υπολογιστικό νέφος	el
dc.subject	Ενισχυτική μάθηση	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Κλιμάκωση	el
dc.subject	Ελαστικότητα	el
dc.subject	Kubernetes	en
dc.subject	Kubeless	en
dc.subject	Deep Q-learning	en
dc.subject	DynaQ+	en
dc.subject	Serverless computing	en
dc.title	Αυτόνομη κλιμάκωση εφαρμογών υπολογιστικού νέφους χωρίς διακομιστή	el
heal.type	bachelorThesis
heal.classification	Υπολογιστικό νέφος	el
heal.classification	Ενισχυτική μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-06
heal.abstract	Το μοντέλο της παροχής εφαρμογών υπολογιστικού νέφους χωρίς διακομιστή (serverless computing) επιτρέπει τη γρήγορη και απρόσκοπτη ανάπτυξη κώδικα στο υπολογιστικό νέφος με τη μορφή συναρτήσεων γλωσσών προγραμματισμού. Η υποδομή αποκρύπτεται από τον χρήστη και οι πόροι δεσμεύονται δυναμικά ανάλογα με τη ζήτηση. Αυτό το μοντέλο έχει πολλαπλά οφέλη για τον πάροχο υπηρεσιών υπολογιστικού νέφους και τον πελάτη αφού υπάρχουν χρεώσεις μόνο όσο χρησιμοποιούνται οι πόροι και δεσμεύονται μόνο όσοι πόροι χρειάζονται. Η δυναμική δέσμευση και αποδέσμευση των πόρων με βάση τη ζήτηση των υπηρεσιών ονομάζεται ελαστικότητα. Η ρύθμιση και διαχείριση των πόρων πραγματοποιείται από μια serverless πλατφόρμα που τρέχει πάνω από ένα ενορχηστρωτή υπηρεσιών (π.χ., Kubernetes). Η παρούσα εργασία εστιάζει στην καλύτερη διαχείριση της ελαστικότητας ώστε οι εφαρμογές να χρησιμοποιούν με βέλτιστο τρόπο τους διαθέσιμους πόρους και να ελαχιστοποιείται το κόστος χωρίς να υπάρξει πτώση στην απόδοση των εφαρμογών. Στο πλαίσιο της εργασίας χρησιμοποιήθηκε η serverless πλατφόρμα Kubeless και δημιουργήθηκαν ευφυείς πράκτορες ενισχυτικής μάθησης οι οποίοι διαχειρίζονται την κλιμάκωση των παρεχόμενων υπηρεσιών. Για την εκπαίδευση του πράκτορα στα πλαίσια της ενισχυτικής μάθησης αναπτύχθηκαν διάφορες μοντελοποιήσεις του περιβάλλοντος και εφαρμόστηκαν διαφορετικοί αλγόριθμοι ενισχυτικής μάθησης. Στις διακριτές μοντελοποιήσεις του περιβάλλοντος χρησιμοποιήθηκαν αλγόριθμοι όπως ο Q-learning και ο DynaQ+ ενώ στα συνεχή περιβάλλοντα αξιοποιήθηκαν νευρωνικά δίκτυα και εφαρμόστηκε ο αλγόριθμος Deep Q-learning. Η αξιολόγηση της επίδοσής τους έγινε με βάση την απόδοση της εφαρμογής και τη χρησιμοποίηση των πόρων.	el
heal.abstract	The serverless computing model enables fast and seamless deployment of code in the cloud in the form of programming language functions. The infrastructure is abstracted and hidden from the user and resources are dynamically allocated according to demand. This model has multiple beneﬁts for the cloud computing provider and the customer, since the customer is charged only for the time that the resources were used and only the necessary resources are provisioned. The scaling up and down of resources is called elasticity. Resource conﬁguration and management is performed by a serverless platform running on top of an orchestration platform (e.g., Kubernetes). This paper focuses on how to better manage elasticity so that applications use the optimal amount of resources to minimize costs without a drop in application performance. In the context of this work, the serverless computing platform Kubeless was used and intelligent reinforcement learning agents were created which manage scalability. In order to train the reinforcement learning agents, different conﬁgurations of the environment were developed and different reinforcement learning algorithms were tested. In the discrete versions of our environment algorithms such as Q-learning and DynaQ+ were used while in the continuous environments neural networks were utilized and the Deep Q-learning algorithm was applied. The evaluation of their efﬁciency was based on the application performance and resource utilization.	en
heal.advisorName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Βαρβαρίγου, Θεοδώρα	el
heal.committeeMemberName	Ρουσσάκη, Ιωάννα	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	59 σ.	el
heal.fullTextAvailability	false