Optimization of epidemic multicast protocols
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | eng |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | https://hdl.handle.net/1822/81337 |
Resumo: | Dissertação de mestrado integrado em Engenharia Informática |
id |
RCAP_6c371bbdf07d703d64cae61ae9392939 |
---|---|
oai_identifier_str |
oai:repositorium.sdum.uminho.pt:1822/81337 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Optimization of epidemic multicast protocolsEpidemic multicastMachine LearningPeer-to-peerAprendizagem automáticaDifusão epidémicaEntre-paresDissertação de mestrado integrado em Engenharia InformáticaEpidemic multicast protocols, also known as gossip protocols, offer fault tolerance and good performance at large scale. Therefore, these are used in peer-to-peer (P2P) systems on the Internet and in NoSQL data management systems. Research has shown there are multiple variants of these protocols which are most efficient in certain environments and applications. Some protocols, such as Plumtree, even allow the application to configure to obtain different performance trade-offs. This dissertation aims at taking advantage of Machine Learning (ML) to configure these protocols, developing a solution that adapts in runtime to network conditions and evaluate it experimentally. The results obtained by using ML models to control the transmission strategy used when forwarding messages show that it is possible to achieve a better trade-off between bandwidth used and the time to reach the entire network. Moreover, this does not endanger the characteristics of epidemic multicast protocols, maintaining their reliability while becoming even more scalable.Os protocolos de difusão epidémica, também conhecidos como gossiping, oferecem tolerância a faltas e bom desempenho em grande escala. São por isso usados, por exemplo, em sistemas entre-pares (P2P) na Internet e em sistemas de gestão de dados NoSQL. A investigação feita mostrou que existem múltiplas variantes destes protocolos, adaptadas a diferentes ambientes e aplicações. Alguns protocolos concretos, como o Plumtree, permitem até que a aplicação faça uma configuração das suas características, de forma a obter diferentes compromissos de desempenho. Nesta dissertação apresenta-se uma abordagem que tira partido de tecnologias de aprendizagem automática para fazer a configuração destes protocolos, desenvolvendo uma solução capaz de se adaptar em runtime tendo em conta o estado atual da rede e posteriormente é feita uma avaliação da solução experimentalmente. Os resultados obtidos com os modelos que controlam a estratégia de transmissão na distribuição de mensagens demonstram ser possível alcançar um melhor compromisso entre o número de mensagens enviadas e o tempo necessário para as distribuir. Além disso, não compromete as características dos protocolos de difusão epidémica, mantendo a sua confiabilidade e tornando-se ainda mais escaláveis.Pereira, JoséAlonso, Ana Luísa Parreira NunesUniversidade do MinhoFernandes, Diogo André Teles2021-08-102021-08-10T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/81337eng203056191info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T12:01:49Zoai:repositorium.sdum.uminho.pt:1822/81337Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T18:51:47.680734Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Optimization of epidemic multicast protocols |
title |
Optimization of epidemic multicast protocols |
spellingShingle |
Optimization of epidemic multicast protocols Fernandes, Diogo André Teles Epidemic multicast Machine Learning Peer-to-peer Aprendizagem automática Difusão epidémica Entre-pares |
title_short |
Optimization of epidemic multicast protocols |
title_full |
Optimization of epidemic multicast protocols |
title_fullStr |
Optimization of epidemic multicast protocols |
title_full_unstemmed |
Optimization of epidemic multicast protocols |
title_sort |
Optimization of epidemic multicast protocols |
author |
Fernandes, Diogo André Teles |
author_facet |
Fernandes, Diogo André Teles |
author_role |
author |
dc.contributor.none.fl_str_mv |
Pereira, José Alonso, Ana Luísa Parreira Nunes Universidade do Minho |
dc.contributor.author.fl_str_mv |
Fernandes, Diogo André Teles |
dc.subject.por.fl_str_mv |
Epidemic multicast Machine Learning Peer-to-peer Aprendizagem automática Difusão epidémica Entre-pares |
topic |
Epidemic multicast Machine Learning Peer-to-peer Aprendizagem automática Difusão epidémica Entre-pares |
description |
Dissertação de mestrado integrado em Engenharia Informática |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-08-10 2021-08-10T00:00:00Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/1822/81337 |
url |
https://hdl.handle.net/1822/81337 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.relation.none.fl_str_mv |
203056191 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799132291497197568 |