Anàlisi de Dades Serverless

Identificador:  TFM:2452

Handle: https://hdl.handle.net/20.500.11797/TFM2452

Autors:  Predoaia, Ionut

Resum:
La computació sense servidor ha demostrat un gran potencial per a aplicacions d'anàlisi de dades, especialment per a càrregues de treball paral·leles vergonyosament. No obstant això, a la literatura s'ha prestat poca consideració a la portabilitat d'aplicacions amb estat que requereixen estat compartit a la computació sense servidor. Aquest treball tanca aquesta bretxa explorant la desagregació de recursos de maquinari en la computació sense servidor, amb l'objectiu de portar-les a algoritmes d'aprenentatge automàtic amb estat sense servidor, és a dir, agrupament de k-means i regressió logística. En aquest treball es presenta un conjunt de directrius, reptes i limitacions de la portabilitat d'algoritmes d'aprenentatge automàtic amb estat a la computació sense servidor. L'execució d'aplicacions amb estat en arquitectures sense servidor indueix inherentment despeses generals, ja que les funcions sense servidor no són directament adreçables a la xarxa, per tant, cal confiar en un servei d'emmagatzematge remot per emmagatzemar l'estat compartit. En aquest treball, s'avalua la viabilitat de resoldre algoritmes d'aprenentatge automàtic amb estat i, a més, es proposen tècniques d'optimització per millorar la seva viabilitat. S'ha avaluat el rendiment, l'escalabilitat i les despeses generals dels algoritmes d'aprenentatge automàtic amb estat que s'executen amb arquitectures sense servidor. La implementació sense servidor de l'algoritme k-means ha aconseguit una acceleració de 87 vegades en comparació amb una implementació seqüencial de l'algoritme. Pel que fa a l'escalabilitat, la implementació sense servidor ha aconseguit un factor d'escalat de 0,91 amb 100 funcions sense servidor simultànies. Per augmentar la viabilitat de la implementació sense servidor, s'ha emprat el paral·lelisme intrafunció com a tècnica d'optimització per paral·lelitzar l'execució de les funcions sense servidor, aconseguint fins a un 68% de rendiment millorat.