Show simple item record

Τεχνητή νοημοσύνη και εφαρμογές στα δίκτυα υπολογιστών νέας γενιάς

dc.contributor.advisorLeligou, Helen C. (Nelly)
dc.contributor.authorΡούσσου, Θεοχάρη
dc.date.accessioned2022-08-03T08:09:49Z
dc.date.available2022-08-03T08:09:49Z
dc.date.issued2022-07-14
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/2740
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-2580
dc.description.abstractΗ 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.el
dc.format.extent38el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectΤεχνητή νοημοσύνηel
dc.subjectΜηχανική μάθησηel
dc.subjectQoSel
dc.subjectContainersel
dc.subjectΜικροϋπηρεσίεςel
dc.subjectHadoop clusterel
dc.subjectArtificial intelligenceel
dc.subjectMachine learningel
dc.subjectMicroservicesel
dc.subjectΔίκτυαel
dc.subjectSoftware-defined networkingel
dc.subjectΔικτύωση καθορισμένη από λογισμικόel
dc.titleΤεχνητή νοημοσύνη και εφαρμογές στα δίκτυα υπολογιστών νέας γενιάςel
dc.title.alternativeArtificial Intelligence and applications in next generation computer networksel
dc.typeΔιπλωματική εργασίαel
dc.contributor.committeeΠαπουτσιδάκης, Μιχαήλ
dc.contributor.committeePallis, Evangelos
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Μηχανικών Βιομηχανικής Σχεδίασης και Παραγωγήςel
dc.description.abstracttranslatedThe optimal use of infrastructure resources is a highly desirable, but at the same time complex task for network service providers. This is because the optimal amount of such resources is a function of several parameters, such as the desired / agreed quality of service (QoS), the characteristics / profile of the service, the workload and its life-cycle. The establishment of frameworks that predicts the dynamic establishment and placement of service and network functions further contributes to reducing the effectiveness of traditional resource allocation methods. In this research, this problem is addressed by developing a mechanism, which first performs service profiling, and then a prediction of the resources that will be needed to achieve the desired Qos for each new deployed service. The main elements of this approach are the following: a) the collection of data of all three layers of the deployed infrastructure (hardware, virtual, service), instead of a single layer, to provide a clearer picture of the possible system break points, b) a study of well-known container based applications following the microservice architecture, and c) the use of a data analysis process that uses a set of machine learning algorithms and performs accurate predictions of the required resources for future service requests. The performance of the proposed framework is investigated using the open-source implementation to consider the case of a Hadoop cluster. The results show that by running a small number of tests it is possible to assess the main system break points and at the same time achieve accurate predictions of the resources that will be needed for future requests.el


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές