| Επιστ. Υπεύθυνος |
|
|---|---|
| Συμμετέχοντα Μέλη ΔΕΠ |
|
| Τίτλος | MLSysOps: Machine Learning for Autonomic System Operation in the Heterogeneous Edge-Cloud Continuum |
| Συμμετέχοντες Φορείς |
|
| Διάρκεια | 2023 – 2025 |
| Ιστοσελίδα | https://csl.e-ce.uth.gr/projects/mlsysops |
Περιγραφή
Ο ολοένα αυξανόμενος όγκος δεδομένων που επεξεργάζονται τα σύγχρονα υπολογιστικά συστήματα έχει οδηγήσει σε ένα μοντέλο επεξεργασίας δεδομένων όσο το δυνατό πιο κοντά στο σημείο που αυτά δημιουργούνται και το οποίο είναι γνωστό ως edge computing. Η εμφάνιση του cloud-edge computing επιδεινώνει το ήδη πολύπλοκο έργο της διαχείρισης διαφορετικών και κατανεμημένων πόρων σε τεράστια κλίμακα, καθιστώντας τη διαχείριση από άνθρωπο εντελώς ανέφικτη. Για να επιτευχθεί μια δυναμική κι ευέλικτη διαχείριση συστημάτων κι εφαρμογών που απαιτεί ελάχιστη παρέμβαση του χρήστη, εισήχθη η έννοια των αυτόνομων υπολογιστικών συστημάτων, δηλαδή συστημάτων που είναι ικανά να αυτοδιαχειρίζονται με βάση στόχους υψηλού επιπέδου που θέτουν οι διαχειριστές.
Το έργο MLSysOps του προγράμματος Horizon Europe προτείνει την επέκταση της ιδέας των αυτόνομων υπολογιστικών συστημάτων με την εισαγωγή ενός πλαισίου ελέγχου που θα βασίζεται στη μηχανική μάθηση (MΜ) και θα διασυνδέεται με τους διαθέσιμους μηχανισμούς διαχείρισης της πλατφόρμας Cloud-Edge-ΙοΤ. Το MLSysOps θα εισαγάγει επίσης ιεραρχικά, κατανεμημένα, επεξηγήσιμα και ευπροσάρμοστα μοντέλα ΜΜ για την αυτόνομη λειτουργία συστημάτων της πλατφόρμας Cloud-Edge-ΙοΤ. Για να επιτευχθεί η προσαρμοστικότητα των μηχανισμών αυτών, το MLSysOps ενσωματώνει συνεχή εκμάθηση μοντέλων MM με έξυπνη επανεκπαίδευση (retraining) ταυτόχρονα με την εκτέλεση της εφαρμογής. Το έργο δίνει προτεραιότητα στη διαφάνεια και στην επεκτασιμότητα, κάνοντας χρήση επεξηγήσιμων τεχνικών ΜΜ και παρέχοντας μια διεπαφή προγραμματισμού εφαρμογών (API) δίνοντας την δυνατότητα χρήσης πολλαπλών μοντέλων ΜΜ ανάλογα με τις συνθήκες στις οποίες βρίσκεται το σύστημα.
Το MLSysOps λαμβάνει υπόψη κρίσιμες πτυχές όπως την ενεργειακή απόδοση (συμπεριλαμβανομένης της χρήσης βιώσιμων/πράσινων πηγών ενέργειας), τη βελτιστοποίηση των επιδόσεων, την ελαχιστοποίηση της καθυστέρησης, την αποδοτική και αξιόπιστη αποθήκευση, συσκευές με περιορισμένους πόρους και τη συνδεσιμότητα δικτύου. Χρησιμοποιεί μοντέλα ΜΜ για τη ταυτόχρονη βελτιστοποίηση αυτών των στόχων σε ένα απαιτητικό υπολογιστικό περιβάλλον.
Το MLSysOps θα επιδείξει την αποτελεσματικότητά του μέσω δύο σεναρίων χρήσης: τη γεωργία ακριβείας (precision agriculture) και τις έξυπνες πόλεις (smart cities).