Dissertação

Fog Computing Task Offloading Optimization based on Deep Reinforcement Learning EVALUATED

A indústria e a sociedade estão em mudança e tendem a evoluir para um sistema cada vez mais orientado para a tecnologia. A ubiquidade do IoT é de grande importância para o futuro da tecnologia ao conectar o ambiente envolvente à rede. O CC, que é um paradigma computacional que desloca a necessidade de recursos do utilizador para a Cloud, vem como um complemento ao IoT. No entanto, o CC tem as suas limitações tanto na banda de rede como na latência. FC vem como uma resposta a estes problemas, procurando fazer a ponte entre os clientes e a Cloud com processamento parcial ou total dos dados e gestão de ligações. Para tornar esta tecnologia viável é necessário gerir os recursos do Fog. Uma forma de gestão de recursos proposta pelos académicos é a coreografia, onde cada nó no Fog faz as suas próprias decisões de gestão com o objetivo de cooperação entre nós e melhoramento do desempenho geral. Para criar uma base de trabalho para estudos padronizados, um simulador baseado numa ferramenta de código aberto para DRL é desenvolvida. Depois, um algoritmo PPO com arquitetura A2C é implementado e testado para o conjunto de casos de teste na ferramenta desenvolvida. Nas simulações, o algoritmo PPO de coreografia demostra a capacidade de superar algoritmos não inteligentes quando otimiza uma recompensa de desempenho comum a todos os nós. No entanto, algumas limitações são identificadas por forma a serem endereçadas em futuros estudos.
Computação na Névoa, Gestão de recursos, Coreografia, Aprendizagem por Reforço, Aprendizagem por Reforço Profunda, Otimização de Política Proximal.

Março 19, 2021, 16:0

Documentos da dissertação ainda não disponíveis publicamente

Orientação

ORIENTADOR

António Manuel Raminhos Cordeiro Grilo

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Associado