Μηχανισμοί διαχείρισης Edge Cloud υποδομών μέσω βαθιάς ενισχυτικής μάθησης

Καρατζίκος, Άρης; Karatzikos, Aris

dc.contributor.author	Καρατζίκος, Άρης	el
dc.contributor.author	Karatzikos, Aris	en
dc.date.accessioned	2024-12-10T08:37:48Z
dc.date.available	2024-12-10T08:37:48Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60513
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28209
dc.rights	Default License
dc.subject	Κατανεμημένο σύστημα	el
dc.subject	Cloud - Edge	en
dc.subject	Δρομολογητής εργασιών	el
dc.subject	Βαθιά ενισχυτική μάθηση	el
dc.subject	QoS μετρικές	el
dc.subject	Distributed system	en
dc.subject	Cloud - Edge	en
dc.subject	Job scheduler	en
dc.subject	Deep reinforcement learning	en
dc.subject	QoS metrics	en
dc.title	Μηχανισμοί διαχείρισης Edge Cloud υποδομών μέσω βαθιάς ενισχυτικής μάθησης	el
heal.type	bachelorThesis
heal.generalDescription	Προσομοίωση μια Cloud-Edge υποδομής και ενός δρομολογητή εργασιών και ανάπτυξη ενός μοντέλου βαθιάς ενισχυτικής μάθησης που λειτουργεί ως λήπτης ενεργειών διαχείρισης εργασιών και κατανομής πόρων του συστήματος με βάση QoS μετρικές όπως το ποσοστό χρησιμοποίησης ενεργών πόρων της υποδομής, κόστος χρησιμοποίησης πόρων και καθυστέρηση εκτέλεσης εργασιών.	el
heal.classification	Τεχνητή Νοημοσύνη	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-01
heal.abstract	Στη σύγχρονη τεχνολογική πραγματικότητα της απαίτησης δεδομένων σε πραγματικό χρόνο, δημιουργείται η ανάγκη για βελτιστοποίηση της διαχείρισης των υποδομών που επεξεργάζονται αυτά τα δεδομένα. Ωστόσο, η διόγκωση των μεγεθών των υποδομών αυξάνει σημαντικά και την πολυπλοκότητα της ανάλυσής τους. Οι ανάγκες αυτές οδήγησαν στη χρήση τεχνητής νοημοσύνης και πιο συγκεκριμένα μεθόδων μηχανικής μάθησης, για την κατανόηση και διαχείριση των πολύπλοκων συστημάτων και υποδομών σε πραγματικό χρόνο αυτοματοποιημένα. Το αντικείμενο αυτής της διπλωματικής εργασίας αποτελεί η ανάπτυξη μεθόδων διαχείρισης και αντίδρασης σε πιθανές καταστάσεις μιας Cloud-Edge υποδομής για την βελτιστοποίηση παραμέτρων του συστήματος καθώς και Quality of Service μετρικών. Χρησιμοποιούνται μοντέλα ενισχυτικής μάθησης που χρησιμοποιούν βαθιά νευρωνικά δίκτυα για να αναγνωρίζουν μοτίβα συσχέτισης καταστάσεων-ενεργειών βάση συνάρτησεων κέρδους.	el
heal.advisorName	Βαρβαρίγος, Εμμανουήλ	el
heal.committeeMemberName	Βαρβαρίγος, Εμμανουήλ	el
heal.committeeMemberName	Βαρβαρίγου, Θεοδώρα	el
heal.committeeMemberName	Παπαβασιλείου, Συμεών	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	68 σ.	el
heal.fullTextAvailability	false