DAOS : a drift adaptive system for offloading cep in edge computing

Detalhes bibliográficos
Ano de defesa: 2022
Autor(a) principal: SILVA NETO, João Alexandre da
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Ciencia da Computacao
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Redes de Computadores
Aprendizagem de máquina
Link de acesso: https://repositorio.ufpe.br/handle/123456789/48551
Resumo: FONSÊCA, Jorge, também é conhecido em citações bibliográficas por: FONSÊCA, Jorge Cavalcanti Barbosa.
id UFPE_d760d840d34c83c7e9d734954dacb2c5
oai_identifier_str oai:repositorio.ufpe.br:123456789/48551
network_acronym_str UFPE
network_name_str Repositório Institucional da UFPE
repository_id_str
spelling DAOS : a drift adaptive system for offloading cep in edge computingRedes de ComputadoresAprendizagem de máquinaFONSÊCA, Jorge, também é conhecido em citações bibliográficas por: FONSÊCA, Jorge Cavalcanti Barbosa.Complex Event Processing (CEP) is a paradigm that enables detecting patterns in a stream of events, being widely adopted by use cases such as financial fraud detection and network anomaly detection. Edge computing can extend CEP applications to the edge of the network to deliver a faster response in critical domains. In this scenario, one of the challenges is supporting those applications and keeping optimal resource usage and minimal latency. State-of-the-art solutions have suggested computational offloading techniques to distribute processing between the edge device and a robust cloud instance, reaching that optimization. The traditional offloading techniques use a policy-based ap- proach that compares the device resource usage to predefined thresholds. However, they are few adaptive to changes over time, depending on domain specialists to configure the threshold values. As a solution, decision approaches apply Machine Learning (ML) to learn with the device contextual data to make the best offloading decision. Otherwise, edge devices are known for their resource limitation compared to the cloud, making it hard to use traditional ML models. This scenario demands the usage of online learning algorithms that do not depend on historical data storage and can adapt to changes in the data distribution, known as concept drifts. Therefore, this research proposes DAOS (Drift Adaptive Offloading System), which aims to use online learning and concept drift detection on offloading decisions to optimize the deployment of CEP applications in the edge. Also, it adopts a fallback mechanism to use policies when the models are not reli- able. The proposed solution is analyzed through a performance evaluation that compares DAOS with the traditional policy-based mechanism in isolation, varying the CEP applica- tion’s complexity and data throughput received. The evaluation results show a statistical difference between the approaches, making clear that using online learning and concept drift detection improves CEP offloading decisions and optimizes the resource usage in the edge.Processamento de Eventos Complexos (CEP) é um paradigma utilizado para identi- ficar padrões em um fluxo de eventos, viabilizando aplicações para detecção de fraudes fi- nanceiras ou anomalias em redes de computadores. Além disso, outro paradigma chamado Computação na Borda é utilizado para estender o CEP e possibilitar que o mesmo seja implantado em dispositivos que ficam mais próximos da origem dos eventos. Consequente- mente, isso viabiliza aplicações críticas, onde o tempo de resposta é um fator importante. Um dos desafios nesse cenário é manter essas aplicações sendo executadas na borda com um uso otimizado de recursos e atendendo aos requisitos de tempo de resposta. Para resolver isso, soluções do estado-da-arte sugerem estratégias de transferência de dados computacional para distribuir o processamento entre os dispositivos de borda e uma in- stância mais robusta na cloud. As técnicas tradicionais de transferência de dados usam um mecanismo baseado em políticas, comparando o uso atual de recursos com limites manualmente especificados. No entanto, essas técnicas são pouco adaptáveis à mudanças ao longo do tempo, exigindo que as políticas sejam constantemente reconfiguradas por especialistas do domínio. Uma solução para isso é utilizar aprendizagem de máquina para aprender com os dados contextuais dos dispositivos e auxiliar o processo de decisão de maneira inteligente. Contudo, os dispositivos de borda possuem limitações de recursos quando comparado com a cloud, dificultando o uso de modelos tradicionais de apren- dizagem. Por essa razão, são escolhidos modelos que aprendem de maneira incremental, não dependem de histórico de dados e se adaptam à mudanças de conceito. Portanto, este trabalho propõe a solução DAOS (Drift Adaptive Offloading System), que tem como objetivo utilizar aprendizagem online e detecção de mudanças de conceito no processo de tomada de decisão de transferência de dados, visando otimizar a execução de aplicações CEP na borda. Além disso, ele adota um mecanismo de troca de estratégia para utilizar políticas estáticas enquanto os modelos de inteligência não forem confiáveis. Essa proposta é analisada através de uma avaliação de performance que compara o DAOS com a abor- dagem puramente baseada em políticas, variando a complexidade da aplicação e a taxa de transferência dos dados. A avaliação mostrou que existe uma diferença estatisticamente significativa entre as duas abordagens, evidenciando que as técnicas adotadas pelo DAOS melhoram as decisões de transferência de dados de aplicações CEP na borda.Universidade Federal de PernambucoUFPEBrasilPrograma de Pos Graduacao em Ciencia da ComputacaoGAMA, Kiev Santos daFONSÊCA, Jorgehttp://lattes.cnpq.br/0040895338454100http://lattes.cnpq.br/6185519785664724http://lattes.cnpq.br/8075101995480409SILVA NETO, João Alexandre da2023-01-06T16:46:57Z2023-01-06T16:46:57Z2022-02-25info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfSILVA NETO, João Alexandre da. DAOS: a drift adaptive system for offloading cep in edge computing. 2022. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2022.https://repositorio.ufpe.br/handle/123456789/48551porAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPE2023-01-07T05:19:47Zoai:repositorio.ufpe.br:123456789/48551Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212023-01-07T05:19:47Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false
dc.title.none.fl_str_mv DAOS : a drift adaptive system for offloading cep in edge computing
title DAOS : a drift adaptive system for offloading cep in edge computing
spellingShingle DAOS : a drift adaptive system for offloading cep in edge computing
SILVA NETO, João Alexandre da
Redes de Computadores
Aprendizagem de máquina
title_short DAOS : a drift adaptive system for offloading cep in edge computing
title_full DAOS : a drift adaptive system for offloading cep in edge computing
title_fullStr DAOS : a drift adaptive system for offloading cep in edge computing
title_full_unstemmed DAOS : a drift adaptive system for offloading cep in edge computing
title_sort DAOS : a drift adaptive system for offloading cep in edge computing
author SILVA NETO, João Alexandre da
author_facet SILVA NETO, João Alexandre da
author_role author
dc.contributor.none.fl_str_mv GAMA, Kiev Santos da
FONSÊCA, Jorge
http://lattes.cnpq.br/0040895338454100
http://lattes.cnpq.br/6185519785664724
http://lattes.cnpq.br/8075101995480409
dc.contributor.author.fl_str_mv SILVA NETO, João Alexandre da
dc.subject.por.fl_str_mv Redes de Computadores
Aprendizagem de máquina
topic Redes de Computadores
Aprendizagem de máquina
description FONSÊCA, Jorge, também é conhecido em citações bibliográficas por: FONSÊCA, Jorge Cavalcanti Barbosa.
publishDate 2022
dc.date.none.fl_str_mv 2022-02-25
2023-01-06T16:46:57Z
2023-01-06T16:46:57Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv SILVA NETO, João Alexandre da. DAOS: a drift adaptive system for offloading cep in edge computing. 2022. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2022.
https://repositorio.ufpe.br/handle/123456789/48551
identifier_str_mv SILVA NETO, João Alexandre da. DAOS: a drift adaptive system for offloading cep in edge computing. 2022. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2022.
url https://repositorio.ufpe.br/handle/123456789/48551
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Ciencia da Computacao
publisher.none.fl_str_mv Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Ciencia da Computacao
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPE
instname:Universidade Federal de Pernambuco (UFPE)
instacron:UFPE
instname_str Universidade Federal de Pernambuco (UFPE)
instacron_str UFPE
institution UFPE
reponame_str Repositório Institucional da UFPE
collection Repositório Institucional da UFPE
repository.name.fl_str_mv Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)
repository.mail.fl_str_mv attena@ufpe.br
_version_ 1856042095889874944

Registros relacionados