Escalonamento horizontal baseado em Reinforcement Learning

Detalhes bibliográficos
Autor(a) principal: Scholze, Alice Neves
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

Registros relacionados