AI-driven resource and service management in the cloud-edge computing continuum, with emphasis on resource optimization and quality of experience

Abstract

Η παρούσα διδακτορική διατριβή διερευνά το πρόβλημα της δυναμικής κατανομής υπηρεσιών σε ακροδικτυακές-νεφοϋπολογιστικές υποδομές (Edge Computing service placement), λαμβάνοντας υπόψη την ετερογένεια του συστήματος, τους περιορισμένους υπολογιστικούς πόρους και τον βαθμό ικανοποίησης χρηστών, με στόχο την παροχή βέλτιστων σχημάτων τοποθέτησης υπηρεσιών σε δυναμικό περιβάλλον. Στην παρούσα διατριβή εισάγονται δύο προσεγγίσεις βασισμένες στη Τεχνητή Νοημοσύνη: (α) κατανομή υπηρεσιών προσεγγίζοντας την ίδια την υπηρεσία και (β) κατανομή υπηρεσιών προσεγγίζοντας τους ακροδικτυακούς πόρους. Η πρώτη μέθοδος αποτελεί μια προσέγγιση που αξιοποιεί ιστορικά δεδομένα φόρτου εργασίας της υποδομής από υπηρεσίες αναπτυγμένες στο ακροδικτυακό οικοσύστημα με χρήση του μοντέλου ¨χωρίς-διακομιστή¨ (serverless), προτείνοντας το καλύτερο συνδυασμό συνόλων ¨λειτουργίας-ως-υπηρεσία¨ (functions-as-a-service) με σκοπό την ελαχιστοποίηση του χρόνου απόκρισης ως προς την απάντηση του τελικού χρήστη. Η δεύτερη μέθοδος παρουσιάζει μια ολοκληρωμένη αποκεντρωμένη, τριών επιπέδων λύση, που συνδυάζει τρεις τεχνικές μάθησης — αυξητική μάθηση (Incremental Learning), Ομοσπονδιακή Μάθηση (Federated Learning) και Ενισχυτική Μάθηση (Reinforcement Learning) — οι οποίες λαμβάνουν υπόψη τους ακροδικτυακούς πόρους και τις ποικίλες, δυναμικές απαιτήσεις χρηστών, τοποθετώντας τις ακροδικτυακές υπηρεσίες με τρόπο που εξισορροπεί τους περιορισμένους υπολογιστικούς πόρους της ακροδικτυακής υποδομης και την ικανοποίηση των χρηστών ως προς την απόκριση. Τα αποτελέσματα δείχνουν ότι και οι δύο μέθοδοι μπορούν αποτελεσματικά να προσδιορίσουν βέλτιστα σχήματα κατανομής υπηρεσιών με δυναμικό τρόπο, επιτυγχάνοντας σημαντικές βελτιώσεις στην αξιοποίηση πόρων, τον χρόνο απόκρισης υπηρεσιών και την Ποιότητα Εμπειρίας των χρηστών σε σχέση με μεμονωμένες προσεγγίσεις, διατηρώντας παράλληλα προσαρμοστικότητα υπό μεταβαλλόμενες συνθήκες φόρτου εργασίας και ετερογενείς υποδομές. Η διατριβή παρέχει επίσης κατευθύνσεις για μελλοντική έρευνα που θα μπορούσε να οικοδομηθεί πάνω στα ευρήματα της παρούσας εργασίας.