Μελέτη και πρόβλεψη απόδοσης αλγορίθμων επίλυσης MINLP μοντέλου εισαγωγής και ανάθεσης εργασιών σε περιβάλλοντα υπολογιστικού νέφους

Abstract

Σκοπός της διπλωματικής αυτής εργασίας είναι η μελέτη διαφόρων παραγόντων που επηρεάζουν το χρόνο απόκρισης και την ποιότητα της λύσης ενός μοντέλου του GAMS που υπολογίζει την ανάθεση των εργασιών μιας υπηρεσίας στους υπολογιστές ενός διακομιστή νέφους (cloud server). Η μελέτη αυτή γίνεται για διάφορους επιλυτές (solvers) που μπορούν να επιλύσουν το μοντέλο με σκοπό να κατασκευάσουμε ένα σύστημα που να εκτιμάει το χρόνο απόκρισης και την ποιότητα για τον καθένα και να επιλέγει τον καλύτερο για να λύσει το πρόβλημα. Αρχικά αναλύουμε τις παραμέτρους του μοντέλου και επισημαίνουμε τις πιο σημαντικές. Στη συνέχεια παίρνουμε κατάλληλες μετρήσεις που θα μας δώσουν μια εικόνα για την επίδραση της κάθε παραμέτρου στο χρόνο απόκρισης των αλγορίθμων. Παράλληλα όμως θα μας βοηθήσουν στην εκτίμηση των χρόνων για εισόδους του μοντέλου που δεν έχουμε εξετάσει. Τέλος δημιουργούμε συστήματα βασισμένα σε ένα ασαφές πλαίσιο για την υλοποίηση της πρόβλεψης και επιλογής του βέλτιστου επιλυτή με βάση την τιμή των παραμέτρων του μοντέλου που έχουν ληφθεί σαν είσοδοι του συστήματος. Για λόγους σύγκρισης χρησιμοποιούμε και τη μέθοδο της γραμμικής παρεμβολής.

The main purpose of this project is the study of various factors that affect runtime and quality of the solution of a GAMS model which computes the admission of processes of a service to the hosts of a cloud server. The study is taken place for different solvers that are able to solve that model, aiming at the construction of a system that estimates the runtime for each one of them and chooses the best one to solve the problem. At the beginning, model parameters are analyzed and the most important are highlighted. Then specific measurements are taken in order to visualize and quantify the effect of each parameter in runtime of algorithms. Furthermore the measurements will aid in runtime and quality estimations. Finally fuzzy systems are constructed that implement the prediction and selection of the best solver based on values of model’s parameters that are taken as inputs of the system. For comparison we also predict quality and time with linear regression