13473

‫ﻣﺪﯾﺮﯾﺖ‬‫ﻣﻨﺎﺑﻊ‬ ‫ﺑﺎ‬ ‫ﺍﺳﺘﻔﺎﺩﻩ‬ ‫ﺍﺯ‬ ‫ﯾﺎﺩﮔﯿﺮﯼ‬ ‫ﻋﻤﯿﻖ‬ ‫ﺩﺭ‬ ‫ﺳﺎﻣﺎﻧە‬‫ﻫﺎﯼ‬‫ﭘﺮﺩﺍﺯﺵ‬ ‫ﺟﺮﯾﺎﻥ‬ ‫ﺑﺮ‬ ‫ﺑﺴﺘﺮ‬ ‫ﺍﺑﺮ‬

1399

دكتر مرضيه ملكي مجد

با افزايش روز افزون استفاده از اينترنت اشيا و دستگاه‌هاي هوشمند پايش، داده‌هاي خام و حجيم زيادي در حال توليد هستند. اهميت پردازش و كاوش اين داده‌هاي جرياني، ضرورت وجود سامانه‌هاي پردازش جريان را نشان مي‌دهد. سامانه‌هاي پردازش جريان از يك گراف جريان تشكيل شده‌اند كه راس‌هاي آن عمل‌كننده‌هاي آن و يا‌ل‌ها جهت جريان داده‌ها را نشان مي‌دهند. تقسيم كردن عمل‌كننده‌ها بين منابع سامانه را مي‌توان به يك تقسيم‌بندي گراف شبيه كرد. مسائل تقسيم‌بندي گراف np-complete هستند و راه‌حل چندجمله‌اي براي آنها وجود ندارد. به همين خاطر سعي مي‌شود تا با كمك روش‌هاي يادگيري ماشين، به خصوص يادگيري تقويتي عميق، به راه‌حلي نزديك به حالت بهينه براي اين مسئله در سامانه‌هاي پردازش جريان رسيد. همچنين روش‌هاي پيشين مثل روش‌هاي مبتني بر مدل به دليل پيچيدگي زياد محيط كارايي گذشته خود را ندارند. همينطور ارتقاي اين مدل‌ها براي نيازهاي جديد پيچيدگي زيادي دارند و همچنين اين كار زمان زيادي مي‌برد. در روش‌هاي يادگيري ماشين مي‌توان با يك يادگيري برخط اين بروزرساني را سريع‌تر كرد. استفاده از خدمات پردازش ابري روزبه‌روز در حال گسترش است. يكي از بسترهاي مناسب براي پردازش جريان، ابرها هستند. به دليل نحوه پرداخت هزينه هنگام استفاده و همچنين مسائلي مثل مصرف كمتر انرژي، مديريت منابع در اين نوع خدمات بسيار مهم مي‌شود. اين نحوه استفاده از منابع باعث ايجاد نوعي از سامانه‌هاي پردازش جريان مي‌شود كه به آن‌ها سامانه‌هاي پردازش جريان كشسان گفته مي‌شود. در سامانه‌هاي پردازش جريان كشسان منابع به صورت ثابت نبوده و در طول زمان تعداد آن‌ها كم يا زياد مي‌شود. علاوه بر ثابت نبودن تعداد منابع مي‌توان به ناهمگن بودن منابع در ابر اشاره كرد. در سامانه‌هاي ناهمگن حساس به زمان استفاده از روش‌هاي يادگيري عميق تقويتي قابليت انعطاف‌پذيري در مديريت منابع را بهبود مي‌دهد. كنترل كردن كشش در منابع ناهمگن را مي‌توان به عنوان يك فرايند تصميم‌گيري ماركوف در نظر گرفت اما با افزايش حالات، سيستم دچار انفجار فضاي حالت مي‌شود و نمي‌توان به سادگي اين مسئله را حل كرد. در اينگونه موارد هم مي‌توان به كمك روش‌هاي يادگيري تقويتي راه حل را بهبود بخشيد و با عدم قطعيت پارامترهاي آن مقابله كرد. همچنين نشان داده شده است با استفاده از روش‌هاي يادگيري تقويتي عميق در سامانه‌هاي حساس به زمان مي‌توان قابليت ارتجاعي سيستم در مديريت منابع را بهبود بخشيد.

11/23/2022 12:00:00 AM

82985

1403/03/29

Stream processing system, Deep learning, Deep reinforcement learning, Cloud computing

پردازش جريان , يادگيري عميق , يادگيري عميق تقويتي , پردازش ابري

Stream processing system , Deep learning , Deep reinforcement learning , Cloud computing