Τεχνητή νοημοσύνη και εφαρμογές στα δίκτυα υπολογιστών νέας γενιάς

Abstract

Η βέλτιστη χρήση των πόρων υποδομής είναι ένα ιδιαίτερα επιθυμητό , αλλά παράλληλα πολύπλοκο έργο για τους παρόχους δικτυακού service. Αυτό συμβαίνει διότι η βέλτιστη ποσότητα τέτοιων πόρων είναι μία συνάρτηση από διάφορες παραμέτρους, όπως είναι η επιθυμητή / συμφωνημένη ποιότητα υπηρεσιών (QoS) , τα χαρακτηριστικά / προφίλ του service, ο όγκος εργασίας και ο κύκλος ζωής της. Η θεμελίωση πλαισίων (frameworks) που προβλέπουν τη δυναμική εγκατάσταση και την τοποθέτηση υπηρεσιών και δικτυακών λειτουργιών συμβάλλει περαιτέρω στη μείωση της αποτελεσματικότητας των παραδοσιακών μεθόδων κατανομής πόρων. Στην έρευνα αυτή, αντιμετωπίζεται αυτό το πρόβλημα με την ανάπτυξη ενός μηχανισμού, ο οποίος αρχικά πραγματοποιεί σκιαγράφηση της υπηρεσίας, και έπειτα εκτελεί μία πρόβλεψη των πόρων που θα χρειαστούν ώστε να οδηγηθεί στο επιθυμητό QoS για κάθε νέα υπηρεσία που αναπτύσσεται. Τα κύρια στοιχεία της προσέγγισης είναι τα παρακάτω: α) τη συλλογή δεδομένων και από τα τρία επίπεδα των εγκατεστημένων υποδομών (hardware/ υλισμική , virtual/ εικονική, service) αντί για ένα μόνο επίπεδο, για να παρέχεται μία καθαρότερη εικόνα σε πιθανές διακοπές του συστήματος, β) η μελέτη γνωστών εφαρμογών που βασίζονται στην υποδομή των containers ακολουθώντας την αρχιτεκτονική των microservices και γ) τη χρήση μίας διαδικασίας ανάλυσης δεδομένων που χρησιμοποιεί ένα σύνολο αλγορίθμων μηχανικής μάθησης και εκτελεί ακριβείς προβλέψεις για τους πόρους που απαιτούνται για μελλοντικά αιτήματα υπηρεσιών. Διερευνάται η απόδοση του προτεινόμενου framework χρησιμοποιώντας την εφαρμογή ανοικτού κώδικα ώστε να εξεταστεί η περίπτωση ενός συμπλέγματος Hadoop. Τα αποτελέσματα δείχνουν ότι εκτελώντας έναν μικρό αριθμό δοκιμών είναι εφικτό να αξιολογηθούν τα κύρια σημεία διακοπής του συστήματος και ταυτόχρονα να επιτευχθούν ακριβείς προβλέψεις των πόρων που θα χρειαστούν για μελλοντικά αιτήματα.