Ανάθεση Cloud Native Εφαρμογών σε Κατανεμημένες και Συνεργατικές Υποδομές IoΤ-Edge-Cloud με Χρήση Τεχνικών Μηχανικής Μάθησης

Παπαγεωργίου, Γεώργιος Μιχαήλ; Papageorgiou, Georgios Michael

dc.contributor.author	Παπαγεωργίου, Γεώργιος Μιχαήλ	el
dc.contributor.author	Papageorgiou, Georgios Michael	en
dc.date.accessioned	2025-12-08T12:04:38Z
dc.date.available	2025-12-08T12:04:38Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/63019
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30715
dc.rights	Default License
dc.subject	Κατανομή πόρων	el
dc.subject	Βαθιά ενισχυτική μάθηση	el
dc.subject	Ενεργειακή αποδοτικότητα	el
dc.subject	Microservices	en
dc.subject	Deep reinforcement learning	en
dc.subject	MILP	en
dc.subject	Energy efficiency	en
dc.subject	Cloud-native	en
dc.title	Ανάθεση Cloud Native Εφαρμογών σε Κατανεμημένες και Συνεργατικές Υποδομές IoΤ-Edge-Cloud με Χρήση Τεχνικών Μηχανικής Μάθησης	el
dc.contributor.department	Επικοινωνιών, Ηλεκτρονικής & Συστημάτων Πληροφορικής	el
heal.type	bachelorThesis
heal.classification	Cloud Engineering	en
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2025-07-02
heal.abstract	Η εκρηκτική αύξηση των συσκευών IoT και η υιοθέτηση κατανεμημένων υποδομών edge–fog–cloud καθιστούν επιτακτική την ανάγκη για έξυπνη ενορχήστρωση φορτίων. Η παρούσα εργασία εξετάζει την βέλτιστη ανάθεση cloud-native μικροϋπηρεσιών σε ένα τριεπίπεδο συνεχές IoT-edge–fog–cloud, με στόχο τη μείωση του κόστους και της κατανάλωσης ενέργειας, εξασφαλίζοντας παράλληλα εγγυήσεις QoS στους τελικούς χρήστες. Αρχικά, το πρόβλημα διατυπώνεται ως Mixed-Integer Linear Programming (MILP) που ενσωματώνει περιορισμούς υπολογιστικής ισχύος, μνήμης, εύρους ζώνης, καθυστέρησης, αναπαραγωγής και μετανάστευσης. Παρά τη βέλτιστη λύση που παρέχει, ο MILP γίνεται ανεφάρμοστος σε πραγματικό χρόνο λόγω εκθετικής πολυπλοκότητας. Για την υπέρβαση του εμποδίου αυτού, αναπτύσσεται ένας ενορχηστρωτής Βαθιάς Ενισχυτικής Μάθησης (DRL) βασισμένος στον αλγόριθμο Maskable Proximal Policy Optimisation (PPO). Η μάσκα ενεργειών απορρίπτει μη επιτρεπτές ενέργειες, επιταχύνοντας την εκπαίδευση και διασφαλίζοντας την τήρηση όλων των περιορισμών. Ο πράκτορας εκπαιδεύεται με γνώμονα τις λύσεις MILP και αξιολογείται σε δύο τοπολογίες (15 και 45 κόμβων) υπό ένα στατικό και τρία δυναμικά σενάρια κίνησης. Τα πειραματικά αποτελέσματα δείχνουν ότι η πολιτική DRL επιτυγχάνει κόστος πολύ κοντά στο βέλτιστο, κατά κύριο λόγο 100 % αποδοχή αιτημάτων και έως πολύ μικρότερο χρόνο λήψης απόφασης έναντι του επιλυτή MILP, τηρώντας όλους τους περιορισμούς πόρων και καθυστέρησης. Συνεπώς, η προτεινόμενη προσέγγιση επιτρέπει ευέλικτη και ενεργειακά αποδοτική ενορχήστρωση cloud-native εφαρμογών IoT σε μεγάλες, συνεργατικές υποδομές edge.	el
heal.abstract	The explosive growth of IoT devices and the adoption of distributed edge–fog–cloud infrastructures make intelligent workload orchestration imperative. This thesis investigates the optimal placement of cloud-native microservices across a three-tier IoT–edge–fog–cloud continuum, aiming to reduce both deployment cost and energy consumption while simultaneously guaranteeing Quality-of-Service (QoS) for end users. The problem is first expressed as a Mixed-Integer Linear Programming (MILP) model that embeds constraints on compute, memory, bandwidth, latency, replication, and migration. Although MILP yields optimal solutions, its exponential complexity renders it unsuitable for real-time operation. To overcome this barrier, we design a Deep Reinforcement Learning (DRL) orchestrator based on the Maskable Proximal Policy Optimisation (PPO) algorithm. Action masking eliminates invalid moves, accelerating training and ensuring strict constraint satisfaction. The agent is trained with MILP solutions as guidance and evaluated on two topologies (15 and 45 nodes) under one static and three dynamic traffic scenarios. Experimental results show that the DRL policy achieves near-optimal cost, essentially 100 % request acceptance, and markedly lower decision latency compared with the MILP solver, while respecting all resource and latency constraints. Consequently, the proposed approach enables flexible and energy- efficient orchestration of cloud-native IoT applications in large-scale, collaborative edge environment	en
heal.advisorName	Βαρβαρίγος, Εμμανουήλ
heal.advisorName	Varvarigos, Emmanouel
heal.committeeMemberName	Βαρβαρίγου, Θεοδώρα
heal.committeeMemberName	Τσέρπες, Κωνσταντίνος
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	138
heal.fullTextAvailability	false