Escalonamento horizontal baseado em Reinforcement Learning
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPR |
Texto Completo: | https://hdl.handle.net/1884/76251 |
Resumo: | Orientador: Prof. Dr. Razer Anthom Nizer Rojas Montano |
id |
UFPR_38bd9ae2314e711114732dfde4f9f4a3 |
---|---|
oai_identifier_str |
oai:acervodigital.ufpr.br:1884/76251 |
network_acronym_str |
UFPR |
network_name_str |
Repositório Institucional da UFPR |
repository_id_str |
308 |
spelling |
Scholze, Alice NevesUniversidade Federal do ParanáMontaño, Razer Anthom Nizer Rojas, 1975-2022-07-01T16:18:37Z2022-07-01T16:18:37Z2021https://hdl.handle.net/1884/76251Orientador: Prof. Dr. Razer Anthom Nizer Rojas MontanoMonografia (especialização) - Universidade Federal do Paraná, Setor de de Educação Profissional e Tecnológica, Curso de Especialização em Inteligência Artificial Aplicada.Inclui referências: p. 20Resumo: A computação em nuvem trouxe o conceito de escalabilidade e, como forma de dispor os sistemas na nuvem, passaram a ser utilizadas aplicações conteinerizadas. O Kubernetes provê a possibilidade de escalar aplicações por meio dos pods — conjunto de containers. Consegue realizar este processo de forma automática (HPA) utilizando métricas de CPU e memória, porém não com a latência, um valor que pode ser constantemente alterado conforme a quantidade de requisições. Dado que Reinforcement Learnings (RLs) atuam com cenários iterativos, esta pesquisa partiu da hipótese de que os modelos Q-Learning e SARSA conseguem escalar a quantidade de pods de uma aplicação, baseados na latência e, atingir melhores resultados que o HPA. Para testar esta hipótese, foi desenvolvida uma aplicação contida no Kubernetes que informa a métrica de latência. Esta métrica é lida pelos modelos, que a utilizam para definir a quantidade de pods. Como resultado, a hipótese se mostrou verdadeira dado que ambos os modelos mostraram adaptabilidade, aumentando e diminuindo a quantidade de pods quanto necessário. As principais diferenças entre eles foram que o SARSA manteve em maior proporção a latência dentro do ideal, enquanto que o Q-Learning demonstrou uma adaptação mais rápida ao sair de um estado de alta para baixa latência. Já comparados ao HPA, ambos os modelos atingiram melhores resultados.1 recurso online : PDF.application/pdfInteligência artificialComputação em nuvemAlgorítmos de computadorEscalonamento horizontal baseado em Reinforcement Learninginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - E - ALICE NEVES SCHOLZE.pdfapplication/pdf4110643https://acervodigital.ufpr.br/bitstream/1884/76251/1/R%20-%20E%20-%20ALICE%20NEVES%20SCHOLZE.pdf8664ae4b97b81b8cdd6c5254a99f1ca5MD51open access1884/762512022-07-01 13:18:37.416open accessoai:acervodigital.ufpr.br:1884/76251Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082022-07-01T16:18:37Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false |
dc.title.pt_BR.fl_str_mv |
Escalonamento horizontal baseado em Reinforcement Learning |
title |
Escalonamento horizontal baseado em Reinforcement Learning |
spellingShingle |
Escalonamento horizontal baseado em Reinforcement Learning Scholze, Alice Neves Inteligência artificial Computação em nuvem Algorítmos de computador |
title_short |
Escalonamento horizontal baseado em Reinforcement Learning |
title_full |
Escalonamento horizontal baseado em Reinforcement Learning |
title_fullStr |
Escalonamento horizontal baseado em Reinforcement Learning |
title_full_unstemmed |
Escalonamento horizontal baseado em Reinforcement Learning |
title_sort |
Escalonamento horizontal baseado em Reinforcement Learning |
author |
Scholze, Alice Neves |
author_facet |
Scholze, Alice Neves |
author_role |
author |
dc.contributor.other.pt_BR.fl_str_mv |
Universidade Federal do Paraná |
dc.contributor.author.fl_str_mv |
Scholze, Alice Neves |
dc.contributor.advisor1.fl_str_mv |
Montaño, Razer Anthom Nizer Rojas, 1975- |
contributor_str_mv |
Montaño, Razer Anthom Nizer Rojas, 1975- |
dc.subject.por.fl_str_mv |
Inteligência artificial Computação em nuvem Algorítmos de computador |
topic |
Inteligência artificial Computação em nuvem Algorítmos de computador |
description |
Orientador: Prof. Dr. Razer Anthom Nizer Rojas Montano |
publishDate |
2021 |
dc.date.issued.fl_str_mv |
2021 |
dc.date.accessioned.fl_str_mv |
2022-07-01T16:18:37Z |
dc.date.available.fl_str_mv |
2022-07-01T16:18:37Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/1884/76251 |
url |
https://hdl.handle.net/1884/76251 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
1 recurso online : PDF. application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPR instname:Universidade Federal do Paraná (UFPR) instacron:UFPR |
instname_str |
Universidade Federal do Paraná (UFPR) |
instacron_str |
UFPR |
institution |
UFPR |
reponame_str |
Repositório Institucional da UFPR |
collection |
Repositório Institucional da UFPR |
bitstream.url.fl_str_mv |
https://acervodigital.ufpr.br/bitstream/1884/76251/1/R%20-%20E%20-%20ALICE%20NEVES%20SCHOLZE.pdf |
bitstream.checksum.fl_str_mv |
8664ae4b97b81b8cdd6c5254a99f1ca5 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR) |
repository.mail.fl_str_mv |
|
_version_ |
1801860279293706240 |