شماره ركورد
10118
پديد آورنده
ارشيا انصاري طالش
عنوان
ﺑﻬﯿﻨﻪﺳﺎزي ﺗﻌﻤﯿﻢ ﭘﺬﯾﺮ ﮐﺎراﯾﯽ ﯾﮏ ﺳﯿﺴﺘﻢ ﺗﻮزﯾﻌﯽ ﻣﺒﺘﻨﯽ ﺑﺮ روش ﯾﺎدﮔﯿﺮي ﺑﻬﯿﻨﻪ ﺳﺎزي (L2O)
مقطع تحصيلي
كارشناسي
رشته تحصيلي
مهندسي كامپيوتر
سال فارغ التحصيلي
1404
استاد راهنما
دكتر وصال حكمي
دانشجوي وارد كننده اطلاعات
ارشيا انصاري طالش
تاريخ ورود اطلاعات
1404/09/02
دانشكده
مهندسي كامپيوتر
عنوان به انگليسي
Learning To Optimize (L2O) for Generalizable Performance Optimization in Distributed Systems
چكيده
ﺑﺎﮔﺴﺘﺮش ﺳﺮﯾﻊ ﻣﻌﻤﺎري ﻣﺎﯾﮑﺮوﺳﺮوﯾﺲ ﻫﺎ وﻣﺤﺎﺳﺒﺎت اﺑﺮي در ﺻﻨﻌﺖ و در ﺗﺤﻘﯿﻘﺎت، ﻣﺪﯾﺮﯾﺖ و ﻫﻤﺎﻫﻨﮓ ﺳﺎزي ﮐﺎﻧﺘﯿﻨﺮﻫﺎ ﺑﻪ ﯾﮑﯽ از ﭼﺎﻟﺶ ﻫﺎي ﺑﻨﯿﺎدﯾﻦ زﯾﺮﺳﺎﺧﺖهاي اﺑﺮي ﻧﺮم اﻓﺰاري ﺗﺒﺪﯾﻞ ﺷﺪه اﺳﺖ. ﮐﻮﺑﺮﻧﺘﯿﺰ ﺑﻪ ﻋﻨﻮان ﯾﮑﯽ از ﺳﯿﺴﺘﻢ ﻫﺎي ﭘﯿﺸﺮو در ﻫﻤﺎﻫﻨﮓ ﺳﺎزي ﮐﺎﻧﺘﯿﻨﺮ، ﻧﻘﺶ ﺣﯿﺎﺗﯽ در اﺳﺘﻘﺮار، ﻣﻘﯿﺎسﭘﺬﯾﺮي و ﻣﺪﯾﺮﯾﺖ ﺑﺮﻧﺎﻣﻪ ﻫﺎي ﮐﺎﻧﺘﯿﻨﺮي دارد. ﯾﮑﯽ از ﻣﻮﻟﻔﻪ ﻫﺎي اﺻﻠﯽ ﮐﻮﺑﺮﻧﺘﯿﺰ، ﻣﻮﻟﻔﻪ زﻣﺎن ﺑﻨﺪ ميﺑﺎﺷﺪ ﮐﻪ وﻇﯿﻔﻪ اﺳﺘﻘﺮار و ﻣﺪﯾﺮﯾﺖ ﺟﺎﯾﮕﺬاري ﮐﺎﻧﺘﯿﺮﻫﺎ را ﺑﺮ ﻋﻬﺪه دارد.اﻣﺎ زﻣﺎنﺑﻨﺪ ﭘﯿﺶ ﻓﺮض ﮐﻮﺑﺮﻧﺘﯿﺰ ﺑﺮ اﺳﺎس اﻟﮕﻮرﯾﺘﻢ ﻫﺎي ﻗﻄﻌﯽ و ﻗﻮاﻋﺪ اﺳﺘﺎﺗﯿﮏ و از ﭘﯿﺶ ﺗﻌﺮﯾﻒ ﺷﺪه ﻋﻤﻞ ﻣﯽ ﮐﻨﺪ ﮐﻪ در ﻣﺤﯿﻂﻫﺎي ﭘﻮﯾﺎ و ﭘﯿﭽﯿﺪه ﺑﺎ اﻟﮕﻮﻫﺎي ﺑﺎر ﻣﺘﻐﯿﺮ، ﻣﻤﮑﻦ اﺳﺖ ﺑﻬﯿﻨﻪ ﻧﺒﺎﺷﺪ. اﯾﻦ ﻗﻮاﻋﺪ از ﭘﯿﺶ ﺗﻌﺮﯾﻒ ﺷﺪه، ﻣﺤﺪودﯾﺖ ﻫﺎي ﺑﺴﯿﺎر ﺳﺎده اي ﺑﺮ ﺟﺎﯾﮕﺬاري و اﺳﺘﻘﺮار ﮐﺎﻧﺘﯿﻨﺮ ﻫﺎ و ﭘﺎدﻫﺎ اﻋﻤﺎل ﻣﯽ ﮐﻨﻨد. در سالهاي اخير اﺳﺘﻔﺎده از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ، ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ و ﺑﻪ وﯾﮋه ﯾﺎدﮔﯿﺮي ﺗﻘﻮﯾﺘﯽ ﺑﺮاي
زﻣﺎنﺑﻨﺪي در ﮐﻮﺑﺮﻧﺘﯿﺰ ﻣﻮرد ﺗﻮﺟﻪ ﭘﮋوﻫﺸﮕﺮان ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ. ﺑﺎ اﯾﻦ ﺣﺎل، ﺗﻮﺳﻌﻪ، آزﻣﺎﯾﺶ و ارزﯾﺎﺑﯽ ﭼﻨﯿﻦ زﻣﺎن ﺑﻨﺪﻫﺎﯾﯽ ﻧﯿﺎزﻣﻨﺪ زﯾﺮﺳﺎﺧﺖ ﭘﯿﭽﯿﺪه اي اﺳﺖﮐﻪ ﻣﻌﻤﻮﻻ ﻫﺮ ﭘﮋوﻫﺸﮕﺮ ﻣﺠﺒﻮر اﺳﺖ آن را از ﺻﻔﺮ ﭘﯿﺎده ﺳﺎزي ﮐﻨﺪ. اﯾﻦ اﻣﺮ ﻣﻨﺠﺮ ﺑﻪ اﺗﻼف زﻣﺎن، ﻋﺪم ﻗﺎﺑﻠﯿﺖ ﺗﮑﺮار ﻧﺘﺎﯾﺞ، و ﻋﺪم اﻣﮑﺎن ﻣﻘﺎﯾﺴﻪ
ﻋﺎدﻻﻧﻪ اﯾﻦ اﻟﮕﻮرﯾﺘﻢ ﻫﺎ ﻣﯽ ﺷﻮد.
دراﯾن پروژه، kubeSchedLab يك ﺑﺴﺘﺮ ﺟﺎﻣﻊ ﺑﺮاي آﻣﻮزش، آزﻣﺎﯾﺶ و ﺳﻨﺠﺶ زﻣﺎن ﺑﻨﺪﻫﺎي ﻣﺒﺘﻨﯽ ﺑﺮ ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ در ﮐﻮﺑﺮﻧﺘﯿﺰ ﻃﺮاﺣﯽ و ﭘﯿﺎدهﺳﺎزيﺷﺪه اﺳﺖ. اﯾﻦ ﺑﺴﺘﺮ ﺷﺎﻣﻞ ﺳﻪ ﺑﺨﺶ اﺻﻠي (1) زﯾﺮﺳﺎﺧﺖ آﻣﻮزش ﺑﺎ ﻗﺎﺑﻠﯿﺖ آﻣﻮزش ﮐﺎرآﻣﺪ ﻣﺪل ﻫﺎيﯾﺎدﮔﯿﺮي ﺗﻘﻮﯾﺘﯽ، (2) زﯾﺮﺳﺎﺧﺖ آزﻣﺎﯾﺶ ﭘﯿﺸﺮﻓﺘﻪ ﺑﺎ ﻗﺎﺑﻠﯿﺖ ﺗﻮﻟﯿﺪ ﺑﺎرﻫﺎي ﮐﺎري ﻣﺘﻨﻮع ﺷﺎﻣﻞ ﭘﻮآﺳﻮن ، ﻣﺒﺘﻨﯽ ﺑﺮ ردﭘﺎ و ﺑﺎر ﺗﺮاﻓﯿﮑﯽ ﻣﺼﻨﻮﻋﯽ، (3) ﺳﯿﺴﺘﻢ ﺟﻤﻊ آوري و ﺗﺤﻠﯿﻞ ﻣﻌﯿﺎرﻫﺎي ﺟﺎﻣﻊ ﺷﺎﻣﻞ ﺑﯿﺶ از 20 ﻣﻌﯿﺎر ﻣﺨﺘﻠﻒ در ﺣﻮزه ﻫﺎي ﺗﺄﺧﯿر، ﺗﻮان ﻋﻤﻠﯿﺎﺗﯽ ، اﺳﺘﻔﺎده از ﻣﻨﺎﺑﻊ، ﮐﯿﻔﯿﺖ ﺳﺮوﯾﺲ ، و ﻣﻬﺎﺟﺮت و (4) ﺳﯿﺴﺘﻢ ﮔﺰارش دﻫﯽ ﺧﻮدﮐﺎر ﺑﺎ ﺧﺮوﺟﯽ در ﻓﺮﻣﺖ ﻫﺎي ﻣﺘﻨﻮع، ﻣﯽ ﺑﺎﺷﺪ.
زﯾﺮﺳﺎﺧﺖ ﭘﯿﺸﻨﻬﺎدي اﯾﻦ ﭘﺮوژه ﺑﻪ ﮔﻮﻧﻪ اي ﻃﺮاﺣﯽ ﺷﺪه ﮐﻪ ﭘﮋوﻫﺸﮕﺮان ﺑﺎ ﭘﯿﺎده ﺳﺎزي ﯾﮏ راﺑﻂ ﺳﺎده و ﻗﺎﺑﻞ اﺗﺼﺎل ، ﻣﯽ ﺗﻮاﻧﻨﺪ زﻣﺎن ﺑﻨﺪ ﺧﻮد را ﺑﺪون داﻧﺶ ﻋﻤﯿﻖ از زﯾﺮﺳﺎﺧﺖ، آﻣﻮزش و آزﻣﺎﯾﺶ ﮐﻨﻨﺪ. اﯾﻦ ﺑﺴﺘﺮ از اﻟﮕﻮرﯾﺘﻢ ﻫﺎي ﻣﺨﺘﻠﻒ ﯾﺎدﮔﯿﺮي ﺗﻘﻮﯾﺘﯽ ﺷﺎﻣﻞ ﭘﯽ ﭘﯽاو ، اي-ﺗﺮي-ﺳﯽ و دي ﮐﯿﻮان ﭘﺸﺘﯿﺒﺎﻧﯽ ﻣﯽ ﮐﻨﺪ.
اﯾﻦ ﭘﺎﯾﺎن ﻧﺎﻣﻪ ﺷﺎﻣﻞ ﻣﺴﺘﻨﺪات ﮐﺎﻣﻞ ﻣﻌﻤﺎري، نگاه كلي به ساختار اﺳﮑﺮﯾﭙﺖ ﻫﺎي راه اﻧﺪازي و ﭘﯿﮑﺮﺑﻨﺪي، روش ﻫﺎي آزﻣﺎﯾﺶ، و راﻫﻨﻤﺎي اﺳﺘﻘﺮار اﺳﺖ ﮐﻪ ﻣﯽ ﺗﻮاﻧﺪ ﺑﻪﻋﻨﻮان ﻣﺮﺟﻊ ﺟﺎﻣﻌﯽ ﺑﺮاي ﭘﮋوﻫﺸﮕﺮان و ﺗﻮﺳﻌﻪ دﻫﻨﺪﮔﺎن در اﯾﻦ ﺣﻮزه ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﯿﺮد. ﺑﺎ اﺳﺘﻔﺎده از kubeSchedLab ،ﭘﮋوﻫﺸﮕﺮان ﻣﯽ ﺗﻮاﻧﻨﺪ ﺑﺪون درﮔﯿﺮي ﺑﺎ ﻣﺮاﺣﻞ اﺳﺘﻘﺮار و ﺗﺴﺖ زﻣﺎن ﺑﻨﺪﻫﺎي ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ،ﻣﻄﺎﻟﻌﺎت ﺧﻮد را ﺗﻮﺳﻌﻪ و آزﻣﺎﯾﺶ ﮐﻨﻨﺪ.
كليدواژه ها
زمانبند كوبرنتيز , ﻫﻤﺎﻫﻨﮓ ﺳﺎزيﮐﺎﻧﺘﯿﻨﺮ , ﺗﺨﺼﯿﺺ ﻣﻨﺎﺑﻊ , ﻫﻮش ﻣﺼﻨﻮﻋﯽ