مهران رزاقي

Lightweight Workflow Offloading Using Runtime Profiling an‎d Contextual Ban‎dits

با گسترش كاربردهاي مبتني بر محاسبات لبۀ ابر، تصميم گيري دربارۀ برون سپاري وظايف در جريان هاي كاري به يكي از چالش هاي اساسي اين حوزه تبديل شده است. پويايي شرايط شبكه، ناهمگوني منابع در لايه هاي لبه، مه و ابر و تنوع رفتار وظايف موجب مي شود روش هاي ايستا يا مبتني بر آموزش آفلاين، كارايي لازم را در محيط هاي واقعي نداشته باشند. از اين رو، توسعه سازوكارهايي سبك وزن و تطبيق پذير براي تصميم گيري برخط ضرورتي بنيادين به شمار مي رود. در اين پژوهش، يك چارچوب برون سپاري مبتني بر تحليل عملكرد در زمان اجرا و يادگيري برخط از نوع راهزن متني ارائه مي شود. در اين چارچوب، براي هر وظيفه «اثر انگشت زمان اجرا» با استخراج ويژگي هايي مانند مصرف پردازنده، حافظه، ورودي/خروجي و تأخيرهاي جزئي ساخته شده و همراه با وضعيت لحظه اي سيستم در قالب يك بردار زمينه براي انتخاب محل اجرا به كار مي رود. ارزيابي تجربي روي گردش كارهاي علمي مورد بررسي نشان مي دهد كه روش پيشنهادي بدون نياز به آموزش اوليه و با سربار محاسباتي كم، عملكردي پايدار ارائه مي كند. در معيار هدف تركيبي، اين روش به طور متوسط بين 5.7٪ تا 6.6٪ نسبت به بهترين الگوريتم هاي يادگيري تقويتي عميق بهبود نشان داده و در اغلب سناريوها كاهش زمان تكميل و مصرف انرژي را نسبت به الگوريتم هاي مشابه يادگيري تقويتي عميق محقق كرده است. نتايج بيانگر كارآمدي تركيب اثر انگشت سازي زمان اجرا با يادگيري برخط سبك وزن براي محيط هاي چند لايۀ محاسبات لبۀ ابر است.

برون سپاري جريان كاري , محاسبات لبۀ ابر , تحليل عملكرد زمان اجرا , راهزن متني , تصميم گيري برخط