Κατηγοριοποίηση και ανάλυση φόρτου εργασίας εφαρμογών εγκατεστημένων σε περιβάλλοντα container με χρήση τεχνητής νοημοσύνης

Αποστολάκης Ευάγγελος; Apostolakis Efangelos

dc.contributor.author	Αποστολάκης Ευάγγελος	el
dc.contributor.author	Apostolakis Efangelos	en
dc.date.accessioned	2024-04-26T07:53:58Z
dc.date.available	2024-04-26T07:53:58Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59288
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26984
dc.rights	Default License
dc.subject	Τεχνητά Νευρωνικά Δίκτυα	el
dc.subject	Επιλογή Χαρακτηριστικών	el
dc.subject	Tensor Flow	en
dc.subject	Keras	en
dc.subject	Ταξινόμηση	el
dc.title	Κατηγοριοποίηση και ανάλυση φόρτου εργασίας εφαρμογών εγκατεστημένων σε περιβάλλοντα container με χρήση τεχνητής νοημοσύνης	el
heal.type	bachelorThesis
heal.classification	Τεχνητή Νοημοσύνη	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-11-09
heal.abstract	Η ανάπτυξη εφαρμογών σε περιβάλλοντα Cloud, Fog και Edge Computing, αποτελεί πλέον το επικρατέστερο μοντέλο ανάπτυξης εφαρμογών. Σε αυτά τα ετερογενή περιβάλλοντα, υπάρχει μια πληθώρα από λύσεις που αφορούν την τοποθέτηση και την λειτουργία των εφαρμογών. Οι πάροχοι υπηρεσιών Infrastructure as a Service (IaaS) προσφέρουν πολλές λύσεις όσον αφορά την ενοικίαση πόρων. Η βελτιστοποίηση της κατανομής και χρήσης των πόρων σε αυτά τα κατανεμημένα περιβάλλοντα είναι καίριας σημασίας, για την ελαχιστοποίηση του κόστους αλλά και την κάλυψη των απαιτήσεων της εκάστοτε εφαρμογής. Επομένως, είναι απαραίτητο να υπάρχει ένα σύστημα, που να μπορεί να βοηθήσει στη λήψη πιο ενημερωμένων αποφάσεων, βασισμένων στις ανάγκες μιας συγκεκριμένης εφαρμογής. Στην παρούσα διπλωματική εργασία, παρουσιάζουμε μια μέθοδο για βελτιστοποίηση της διαδικασίας δημιουργίας προφίλ εφαρμογών, και την κατηγοριοποίηση φόρτου εργασιών των εφαρμογών. Προτείνουμε τη βελτιστοποίηση πολυδιάστατων διανυσμάτων που αναπαριστούν τα προφίλ απαιτήσεων πόρων των εφαρμογών, τα οποία προφίλ είναι ανεξάρτητα του υποκείμενου υλικού. Υλοποιούμε ένα αλγόριθμο για την επιλογή των χαρακτηριστικών που μπορούν να περιγράψουν καλύτερα την χρήση πόρων μιας εφαρμογής, και να βοηθήσουν στην διάκριση μεταξύ διαφορετικών εφαρμογών, με βάση τη φύση τους και τις υπολογιστικές τους ανάγκες. Επιπλέον, αναπτύσσουμε ένα Τεχνητό Νευρωνικό Δίκτυο (ΤΝΔ) για την κατηγοριοποίηση των εφαρμογών σε γνωστά benchmark. Το ΤΝΔ χρησιμοποιείται επίσης για να βοηθήσει στη διαδικασία επιλογής χαρακτηριστικών, και κατά την αξιολόγηση των προτεινόμενων λύσεων. Το μοντέλο ταξινόμησης αναπτύσσεται χρησιμοποιώντας τη βιβλιοθήκη Keras με το υπόβαθρο του TensorFlow, και η αρχιτεκτονική και η λειτουργία του εξηγούνται. Η τεχνική επιλογής χαρακτηριστικών αξιοποιεί έξι Filter Μεθόδους Επιλογής Χαρακτηριστικών για να κατατάξει τα χαρακτηριστικά, και να επιλέξει τα καλύτερα από αυτά, βάσει της αξίας τους για την διαδικασία της ταξινόμησης. Στη συνέχεια αναζητά τα υποσύνολα χαρακτηριστικών που μεγιστοποιούν την απόδοση του ταξινομητή. Τέλος, παρουσιάζεται μια σειρά πειραμάτων, με βάση τα οποία συγκρίνουμε διαφορετικά υποσύνολα χαρακτηριστικών, και αξιολογούμε την προτεινόμενη μεθοδολογία.	el
heal.advisorName	Βαρβαρίγου Θεοδώρα	el
heal.committeeMemberName	Συμεών Παπαβασιλείου	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	104 σ.	el
heal.fullTextAvailability	false