Αξιοποίηση τεχνικών ενισχυτικής μάθησης για την παροχή υπηρεσίας εγγυημένης ποιότητας και την αποδοτικότερη χρήση των πόρων πολυπύρηνων επεξεργαστών

Βαβελίδου, Ιωάννα; Vavelidou, Ioanna

dc.contributor.author	Βαβελίδου, Ιωάννα	el
dc.contributor.author	Vavelidou, Ioanna	en
dc.date.accessioned	2021-09-28T10:12:42Z
dc.date.available	2021-09-28T10:12:42Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53897
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21595
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/3.0/gr/	*
dc.subject	Διαμοιρασμός κοινόχρηστης κρυφής μνήμης	el
dc.subject	Βαθιά ενισχυτική μάθηση	el
dc.subject	Ποιότητα υπηρεσίας	el
dc.subject	Χρησιμοποίηση πόρων επεξεργαστή	el
dc.subject	Συνεκτέλεση εφαρμογών	el
dc.subject	Deep reinforcement learning	en
dc.subject	Quality of service	en
dc.subject	Server resource utilization	en
dc.subject	Colocation	en
dc.title	Αξιοποίηση τεχνικών ενισχυτικής μάθησης για την παροχή υπηρεσίας εγγυημένης ποιότητας και την αποδοτικότερη χρήση των πόρων πολυπύρηνων επεξεργαστών	el
heal.type	bachelorThesis
heal.classification	Συστήματα Υπολογιστών	el
heal.classification	Computer Systems	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-26
heal.abstract	Όλο και περισσότερες από τις υπηρεσίες που φιλοξενούνται στα σύγχρονα κέντρα δεδομένων αποτελούν υπηρεσίες κρίσιμης απόκρισης. Η ανάγκη να διασφαλιστούν οι αυστηροί στόχοι ποιότητας υπηρεσίας των εφαρμογών αυτών οδηγεί συχνά τα κέντρα δεδομένων στην απαγόρευση της συνεκτέλεσής τους με άλλες εφαρμογές, ώστε να αποφευχθεί ο ανταγωνισμός στους κοινόχρηστους πόρους, όπως είναι η κρυφή μνήμη τελευταίου επιπέδου. Η πρακτική αυτή συνεπάγεται τη χαμηλή χρησιμοποίηση των εξυπηρετητών και, κατ’ επέκταση, την αύξηση του συνολικού κόστους ιδιοκτησίας των κέντρων δεδομένων. Για την αντιμετώπιση του προβλήματος, έχουν πλέον ενσωματωθεί στους σύγχρονους επεξεργαστές τεχνολογίες που υποστηρίζουν τόσο την παρακολούθηση της χρήσης όσο και τον διαμοιρασμό των κοινόχρηστων πόρων. Με τον τρόπο αυτό, δίνεται η δυνατότητα ασφαλούς συνεκτέλεσης των εφαρμογών κρίσιμης απόκρισης με εφαρμογές βέλτιστης προσπάθειας. Στην παρούσα διπλωματική εργασία, αξιοποιούμε τις εν λόγω τεχνολογίες καθώς και τεχνικές βαθιάς ενισχυτικής μάθησης προκειμένου να διαμοιράσουμε την κρυφή μνήμη τελευταίου επιπέδου ενός πολυπύρηνου συστήματος με τρόπο που θα εξασφαλίζει αφενός τη διατήρηση της ποιότητας της κρίσιμης υπηρεσίας και αφετέρου τη μεγαλύτερη, κατά το δυνατόν, αξιοποίηση του εξυπηρετητή από τις εφαρμογές βέλτιστης προσπάθειας. Για την αξιολόγηση του μηχανισμού, εκτελούμε συνεκτελέσεις των υπηρεσιών κρίσιμης απόκρισης Xapian και Img-dnn της σουίτας Tailbench με ένα πλήθος από εφαρμογές βέλτιστης προσπάθειας. Αποδεικνύουμε πως η επίδοση της κρίσιμης υπηρεσίας διαφυλάσσεται σε ικανοποιητικό βαθμό, ενώ ταυτόχρονα αξιοποιούνται ευκαιρίες αύξησης της επίδοσης των εφαρμογών χαμηλής προτεραιότητας.	el
heal.abstract	An increasingly large number of the services hosted in contemporary data centers are latency critical services. In order to ensure that the stringent Quality of Service targets of these applications are met, data centers often disallow their simultaneous execution with other applications, so that contention in the shared resources, such as the last level cache, is prevented. The disadvantage of this policy is low server utilization and, subsequently, increased total cost of ownership for the data centers. To tackle this problem, modern processors have introduced technologies that support the monitoring as well as the partitioning of common resources, thus allowing the safe colocation of latency critical and best effort applications. In this thesis, we utilize these technologies along with deep reinforcement learning techniques in order to dynamically partition the last level cache of a multi-core system in a way that maintains the performance of the latency critical application and, at the same time, achieves high server utilization. To evaluate the mechanism, we colocate the latency critical applications Xapian and Img-dnn of the Tailbench suite with a variety of best effort applications. We prove that the Quality of Service of the latency critical application is adequately protected, while opportunities to increase the performance of the best effort applications are exploited.	en
heal.advisorName	Κοζύρης, Νεκτάριος	en
heal.committeeMemberName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Πνευματικάτος, Διονύσιος	el
heal.committeeMemberName	Γκούμας, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Υπολογιστικών Συστημάτων	el
heal.academicPublisherID	ntua
heal.numberOfPages	75 σ.	el
heal.fullTextAvailability	false