Procino, Edoardo
(2021)
Global scaling predittivo di un’architettura a microservizi con tecniche di deep learning: gestione del flusso di email.
[Laurea], Università di Bologna, Corso di Studio in
Informatica [L-DM270]
Documenti full-text disponibili:
![[img]](http://amslaurea.unibo.it/style/images/fileicons/application_pdf.png) |
Documento PDF (Thesis)
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato
Download (1MB)
|
Abstract
L’obiettivo di questa tesi è integrare allo scaling globale di applicazioni di microservizi, una rete neurale, così da poter implementare un autoscaling predittivo. Come caso studio abbiamo utilizzato la gestione del flusso di email.
L'aggiunta del predittore porta ad avere performance migliori, dato che lo scaling avviene prima dell’aumento del flusso in input, con conseguente diminuzione della latenza e dei messaggi persi.
Per fare ciò, abbiamo utilizzato una deep neural network con 3 hydden layer che sfrutta l'apprendimento supervisionato e la regressione non lineare.
Infine, abbiamo confrontato le performance del sistema con e senza predittore tramite delle simulazioni in linguaggio ABS.
Abstract
L’obiettivo di questa tesi è integrare allo scaling globale di applicazioni di microservizi, una rete neurale, così da poter implementare un autoscaling predittivo. Come caso studio abbiamo utilizzato la gestione del flusso di email.
L'aggiunta del predittore porta ad avere performance migliori, dato che lo scaling avviene prima dell’aumento del flusso in input, con conseguente diminuzione della latenza e dei messaggi persi.
Per fare ciò, abbiamo utilizzato una deep neural network con 3 hydden layer che sfrutta l'apprendimento supervisionato e la regressione non lineare.
Infine, abbiamo confrontato le performance del sistema con e senza predittore tramite delle simulazioni in linguaggio ABS.
Tipologia del documento
Tesi di laurea
(Laurea)
Autore della tesi
Procino, Edoardo
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
email,deep neural network,deep learning,global scaling,predictive global scaling
Data di discussione della Tesi
15 Dicembre 2021
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Procino, Edoardo
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
email,deep neural network,deep learning,global scaling,predictive global scaling
Data di discussione della Tesi
15 Dicembre 2021
URI
Statistica sui download
Gestione del documento: