Yeni nesil yazılım tanımlı veri merkezleri için yapay zeka tabanlı görev planlama modeli
Başlık çevirisi mevcut değil.
- Tez No: 864963
- Danışmanlar: DOÇ. DR. MÜGE ÖZÇEVİK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Manisa Celal Bayar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yazılım Mühendisliği Bilim Dalı
- Sayfa Sayısı: 69
Özet
Son zamanlarda, 5G ağında IoT cihazlarının sayısında muazzam bir artış yaşanmaktadır. Bu durum, fiziksel ağ topolojisinin karmaşıklığını artırıp, yönetimini zorlaştırmaktadır. Bu nedenle, Yazılım Tanımlı Ağlar (SDN), veri ve kontrol düzlemlerini ayırarak topolojiyi merkezi bir bakış açısından düzenlemek için kullanılır. Ancak, SDN tabanlı 5G topolojisinin veri merkezlerinde düzenleme yaparken birçok zorluğu bulunmaktadır. Merkezi bir denetleyici, tek bir arıza noktasına neden olabilir ve bu darboğaz kontrol düzleminin tepki süresini artırabilmektedir. Bu da müşterilerin milisaniye düzeyinde uçtan uca gecikmelerle hizmet alamamasına neden olmaktadır. Bu zorluğun üstesinden gelmek için, Yazılım Tanımlı Veri Merkezleri (SDDC) yeni bir şekilde kullanılmaktadır ve topolojideki veri depolamasını hiyerarşik bir şekilde yönetir. Bütün topolojinin kontrolü için genel depolama ve işlemleri yönetir ve bir noktadan başka bir noktaya kontrol cihazları arasında hizmetleri izler, kaydeder ve taşır. Ancak, tek bir denetleyicinin artan taleplerin altında, yanıt süresi kabul edilemez bir 5G seviyesine ulaşabilir. Gecikmeyi en aza indirmek için, SDDC'de iki nokta bulunmaktadır: denetleyicilerin konum optimizasyonu ile yayılma gecikmesinin en aza indirilmesi ve veri merkezinde ağ işlemlerinin işleme süresini en aza indirmek için akıllı görev zamanlamasıdır. Literatürde, yayılma gecikmesini en aza indirmek için konum optimizasyonuna odaklanan birçok çalışma bulunmaktadır. Ancak veri merkezi fonksiyonlarından kaynaklanan ağ operasyonlarının işlem süresini dikkate alan az sayıda çalışma bulunmaktadır; örneğin oluşturma, okuma, güncelleme ve silme işlemleri gibi. Ayrıca veri merkezlerine gelen taleplerde Makine Öğrenimi tabanlı Hizmet Kalitesi (QoS) tahminini dikkate almazlar. Bu tezde, SDDC'de yapay zeka tabanlı görev zamanlama modeli önerilmektedir. İki aşamadan oluşur: Makine Öğrenimi tabanlı QoS tahmini ve AI tabanlı zeki görev zamanlama algoritması. İlk olarak veri tabanında kendi trafiğimizi oluşturarak yeni bir veri seti tanımladık. Bu veri seti 5000 adet satırdan oluşup, 3 farklı sınıflandırma etiketi (BEST, ACCEPTABLE, NONACCEPTABLE) kullanılmıştır. Daha sonra bu veri seti üzerinde 5 farklı sınıflandırma algoritması (Navie Bayes, Kstar, IBk, Multiclass Classifier, SMO) koşularak en iyi sonucu veren algoritma belirlenmiştir. Belirlenen algoritma baz alınarak servise gelen istekleri sınıflandırıp tekrar kendi içinde sıralayarak çalıştıran bir sistem geliştirilmiştir. Performans değerlendirmesindeki sonuçlara göre, IBK algoritması 0,978 F1 skoru ile en iyi sonucu vermiştir. Ancak algoritmanın çalışma süresi 0.22 saniye sürmüştür. SDDC de daha düşük gecikme süresi önem arz ettiği için 0,964 F1 skoru ile Navie Bayes algoritmasının eğitim süresi 0,001 sn sürmüştür. Sonuç olarak Navie Bayes algoritmasının 5G ağlarında kullanımı açısından üstünlüğü kanıtlanmıştır. Navie Bayes algoritması ise önerilen sistem üzerinde sınıflandırma yaparak güncellenmek istenen veriler için akıllı bir sıralama algoritması tasarımı için kullanılmıştır. Kullanılan bu sınıflandırılmış veriler önerilen sistemde yaklaşık. 100 – 4000 adet güncelleme isteği için daha başarılı sonuçlar sergilemiştir. Bu aralık dışındaki değerler için ise kullanılan cihaz özellikleri dikkate alındığında Navie Bayes algoritmasının sınıflandırma süresinin servis süresine olumsuz yönde etki yaptığı saptanmıştır.
Özet (Çeviri)
Recently, there has been a tremendous increase in the number of IoT devices in the 5G network. This leads to the complexity of the physical network topology which makes it hard to manage. Therefore, a Software Defined Network (SDN) is used to orchestrate the topology from a central point of view by decoupling data and control planes. However, there are many challenges of SDN-based 5G topology while editing data centers in the controllers. A centralized controller may cause a single point of failure, and this bottleneck raises the response time of the control plane. This results in customers not being served under milliseconds end-to-end delay. To overcome this challenge, the Software-Defined Data Centers (SDDC) are newly used to manage data storage in the topology in a hierarchical way. It manages the overall storage and operations for the control of the whole topology by monitoring, logging, and migrating services from one point to another controller. However, under the increased arrival requests of the single controller, the response time can reach an unacceptable 5G level. To minimize delay, there are two points in SDDC: minimizing propagation delay by the location optimization of controllers and intelligent task scheduling to minimize the processing time of network operations in the data center. In the literature, many studies focus on location optimization to minimize propagation delay. However, there are a few studies that consider the processing time of network operations caused by the data center functions; i.e. Create, Read, Update, and Delete. Moreover, they do not consider Machine Learning based Quality of Service (QoS) prediction for the arrival request to data centers. In the first phase, we defined a new data set by creating our own traffic in the database. This dataset consists of 5000 rows and 3 different classification labels (BEST, ACCEPTABLE, NONACCEPTABLE) were used. Then, 5 different classification algorithms (Navie Bayes, Kstar, IBk, Multiclass Classifier, SMO) were run on this data set and the algorithm that gave the best results was determined. A system has been developed that classifies the requests coming to the service based on the determined algorithm and runs them by sorting them again. According to the results of the performance evaluation, The IBK algorithm has the best result with a 0.978 F1 score. However, the operating time of the algorithm lasted for 0.22 seconds. Since the lower delay time is important in the SDDC, the training period of the Navie Bayes algorithm with 0.964 F1 score lasted 0.001 seconds. As a result, Navie Bayes algorithm has proven its superiority in terms of its use in 5G networks. The Navie Bayes algorithm is used for a smart ranking algorithm design for the data to be updated by classification on the proposed system. This classified data used is approximately in the recommended system. It has exhibited more successful results for 100 - 4000 update requests. Considering the device properties used for the values outside of this range, the classification time of the Navie Bayes algorithm has a negative impact on the service time.
Benzer Tezler
- Optimization and orchestration in multi-tier edge computing
Çok katmanlı uç hesaplamada eniyileme ve düzenleme
AHMET CİHAT BAKTIR
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CEM ERSOY
DR. ÖĞR. ÜYESİ BAHRİ ATAY ÖZGÖVDE
- Music beyond sound: Critical perspectives in contemporary art music through gender
Sesin ötesinde müzik: Çağdaş müzikte cinsiyet odaklı eleştirel perspektifler
ASLI KOBANER
Doktora
İngilizce
2024
Müzikİstanbul Teknik ÜniversitesiMüzik Ana Bilim Dalı
DOÇ. DR. EMİNE ŞİRİN ÖZGÜN TANIR
- Assessment of urbanization history of Addis Ababa city, Ethiopia
Addıs Ababa cıty, Ethıopıa'nın kentleşme tarihinin değerlendirilmesi
ABDURAHMAN HUSSEN YIMER
Yüksek Lisans
İngilizce
2023
Şehircilik ve Bölge PlanlamaMersin ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
DOÇ. DR. ALİ CENAP YOLOĞLU
- Contextualizing 'context' in architectural theory via a conceptual model
Mimarlık kuramında bir kavramsal model ile bağlamı bağlamsallaştırmak
EDANUR KILIÇ
Yüksek Lisans
İngilizce
2023
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. YÜKSEL DEMİR
- Quality assessment of high-throughput DNA sequencing data via range analysis
Aralık analizi ile yüksek hacimli DNA sekans verilerinin kalite değerlendirilmesi
ALI FOTOUHI
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
Assoc. Prof. Dr. MUHAMMED OĞUZHAN KÜLEKCİ