Projekti / Programi
Inteligentno usmerjanje in razvrščanje v sistemih GRID (iGRIDras)
| Koda |
Veda |
Področje |
Podpodročje |
| 2.07.03 |
Tehnika |
Računalništvo in informatika |
Programirne tehnologije - programska oprema |
| Koda |
Veda |
Področje |
| P170 |
Naravoslovno-matematične vede |
Računalništvo, numerična analiza, sistemi, kontrola |
Sistemi grid, umetna inteligenca, strojno učenje, optimizacija, razvrščanje, usmerjanje
Raziskovalci (1)
| št. |
Evidenčna št. |
Ime in priimek |
Razisk. področje |
Vloga |
Obdobje |
Štev. publikacijŠtev. publikacij |
| 1. |
21305 |
dr. Daniel Vladušič |
Računalništvo in informatika |
Vodja |
2007 - 2008 |
47 |
Organizacije (1)
Povzetek
Znanstveni in tehnološki doprinosi podoktorskega projekta so:
izdelava adaptivnega inteligentnega razvrščevalnika opravil na osnovi algoritmov umetne inteligence oz. strojnega učenja.
izdelava dinamičnega prilagojevalnika za razvrščevalnik, ki bo imel lastnosti samo-nastavitve in samo-prilagoditve na dano okolje
implementacija algoritma v Linux jedru – integracija v XtreemOS Grid operacijski sistem.
Na področju sistemov Grid se raziskovalci ukvarjajo, poleg dejanske strukture in izvedbe okolij, predvsem z dvema problemoma: razvrščanjem in usmerjanjem opravil. Pregled pristopov kaže, da se trenutno v okoljih sistemov Grid uporabljajo predvsem znani in enostavni algoritmi razvrščanja in usmerjanja. Dodatno je njihova omejitev tudi neprilagodljivost na okolje - njihovo obnašanje se skozi čas ne spreminja in običajno tudi ne ponujajo dodatnih politik (ang. policy) delovanja (npr., nastavitev za določeno skupino ljudi, opravil, ipd.) in prilagoditev dejanskemu sistemu, ki ga uporabljamo. Nadaljnja težava je tudi, da vsako od okolij načeloma podpira sebi lasten sistem razvrščanja in usmerjanja – v kolikor ga želimo spremeniti, moramo napisati nov program. Po drugi strani pa se nekateri raziskovalci zavedajo raznolikosti opravil in prednosti, ki jih ponuja možnost avtomatskega učenja razvrščanja in usmerjanja (npr. Boyan & Littman, 1994). Takšni pristopi se skozi čas naučijo dobre strategije usmerjanja in razvrščanja raznolikih opravil, kar pripomore k boljši izkoriščenosti sistema Grid.
V sklopu našega dela želimo slednje pristope k usmerjanju in razvrščevanju nadgraditi in razširiti. Nadgradnjo obstoječih pristopov vidimo predvsem v možnosti uporabe različnih metod umetne inteligence oz. strojnega učenja – tudi takšnih, ki omogočajo razlago naučene strategije (npr. odločitvena in kvalitativna drevesa). Razširitev obstoječih pristopov pa vidimo predvsem v dodajanju omejitev, s katerimi lahko natančneje določamo sredstva, ki jih bo sistem dodelil nekemu opravilu – dodeljena sredstva so lahko npr. odvisna od denarja, ki ga naročnik daje za uporabo našega sistema.
Pristop želimo izvesti v obliki vstavka (plug in), ki bo na voljo za bolj razširjena okolja sistemov Grid. Poleg samega vstavka bomo predpisali jezik omejitev, s katerimi bo lahko upravljalec sistema natančneje določil razpoložljivost sistemskih sredstev – te omejitve bodo pri optimizaciji delovanja tudi upoštevane.
Ocenjujemo, da je aplikativna vrednost projekta zelo velika. V literaturi ter v trenutnih aplikativnih rešitvah je opaziti velik razvoj tega področja, saj strokovnjaki ocenjujejo, da je moč iz obstoječih arhitektur in rešitev iztisniti večjo storilnost preko inteligentnejših usmerjevalnih in razvrščevalnih algoritmov.
Pomen za razvoj znanosti
Rezultat aplikativnega projekta iGRIDras prinaša uporabo metod umetne inteligence v sisteme GRID na nivoju razvrščanja in usmerjanja. Od tovrstnih že znanih pristopov se projekt iGRIDras loči predvsem po izbranih metodah in načelu njihove uporabe – v projektu iGRIDras so vse metode uporabljene po principu črne škatle z namenom implementacije vtičnika, za katerega skrbniku sistema GRID ne bo potrebno nastavljati nobenih parametrov. Bistvenega pomena je torej obdelava problema usmerjanja in razvrščanja z zgoraj omenjenim pristopom ter rezultati, ki kažejo smiselnost in uporabnost pristopa.
V projektu smo pokazali uporabnost metod umetne inteligence pri problemu usmerjanja in razvrščanja v sistemih GRID, pri čemer smo se osredotočali predvsem na praktične vidike uporabe v smislu nezahtevnosti za administratorja sistema. Pri tem je potrebno poudariti hoteno generičnost, ki je bila uporabljena v projektu (v smislu minimalnega nabora atributov, ipd), s katero smo dosegli dobre rezultate. Sklepamo lahko, da je moč z dodatnim prilagajanjem izbranemu sistemu doseči še bistveno boljše rezultate, a je preizkus te teze izven ciljev projekta iGRIDras.
Razvito ogrodje projekta iGRIDras gradi na prosto dostopnih ogrodjih PeerSim ter GridSim, kar zagotavlja pokritje bistvenih ogrodij s področja ter kot takšno omogoča hitre modifikacije, ki se bodo skozi čas pojavile zaradi novejših različic prej omenjenih ogrodij. V tem smislu ogrodje projekta iGRIDras predstavlja trdno osnovo za nadaljnje raziskave na tem področju.
Pomen za razvoj Slovenije
Nadaljnji razvoj Republike Slovenije teži zaradi specifičnosti večinoma v raziskave in razvoj. V tem smislu je pridobitev novih znanj v podjetju XLAB, ki so uporabna neposredno v produktih podjetja ter v mednarodnih projektih, v katere je podjetje močno vpeto, izjemnega pomena, saj povečuje konkurenčnost podjetja tako na poslovni kot tudi akademski ravni. Na tem mestu poudarjamo, da je podjetje XLAB zaradi svoje specifične notranje strukture izjemno odvisno od tovrstnih raziskav ter dognanj, ki jih pri tem pridobimo. Podjetje XLAB s svojimi rešitvami na področju sistemov GRID, SOA arhitekture in distribuiranih sistemov nasploh potrebuje rešitev, ki jo je moč enostavno in hitro uporabiti za izboljšave v tovrstnih produktih. V tem smislu bodo dognanja s področja inteligentnega usmerjanja in razvrščanja uporabljena, po določenih prilagoditvah, v hrbtenici družine produktov ISL ter na področju porazdeljevanja bremen lokalnih sistemov, ki so v uporabi v različnih EU projektih (XtreemOS, SLA@SOI, itd.).
Najpomembnejši znanstveni rezultati
Zaključno poročilo,
celotno poročilo na dLib.si
Najpomembnejši družbeno–ekonomsko in kulturno relevantni rezultati
Zaključno poročilo,
celotno poročilo na dLib.si
