Συντάχθηκε 10-07-2026 13:56
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 14/07/2026 16:00
Λήξη: 14/07/2026 17:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΑΝΤΩΝΟΓΙΑΝΝΑΚΗ ΙΩΑΝΝΗ
με θέμα
Βέλτιστη Εκτέλεση Ροών Εργασίας σε Πλατφόρμες IoT με Αντιγραφή Τελεστών
Optimal Workflow Execution Across IoT Platforms with Operator Replication
Εξεταστική Επιτροπή
Καθηγητής Αντώνιος Δεληγιαννάκης (επιβλέπων)
Καθηγητής Μίνως Γαροφαλάκης
Επίκουρος Καθηγητής Νίκος Γιατράκος
Περίληψη
Πολλές IoT εφαρμογές σε διαφορετικούς τομείς βασίζονται στην εκτέλεση ροών εργασίας ανάλυσης δεδομένων σε πραγματικό χρόνο, ώστε να επιτυγχάνεται έγκαιρη λήψη αποφάσεων. Η αποδοτική εκτέλεση αυτών των ροών εργασίας απαιτεί την αξιοποίηση της διαθέσιμης υπολογιστικής ισχύος σε όλο το cloud-to-edge συνεχές. Ωστόσο, η ετερογένεια και η κλίμακα αυτών των περιβάλλοντων καθιστούν την εύρεση βέλτιστων πλάνων εκτέλεσης πιο δύσκολη. Συγκεκριμένα, οι ροές των δεδομένων αλλάζουν δυναμικά με την πάροδο του χρόνου, ενώ τα μεγαλύτερα IoT δίκτυα αυξάνουν την πολυπλοκότητα του προβλήματος βελτιστοποίησης. Για την αντιμετώπιση αυτού του προβλήματος, έχει προταθεί ο DAG*, ένας αλγόριθμος εμπνευσμένος από τον A*, ο οποίος μειώνει τον χώρο αναζήτησης που εξερευνάται, διατηρώντας παράλληλα τη βέλτιστότητα για το παραγόμενο πλάνο εκτέλεσης. Στον DAG*, κάθε τελεστής ανατίθεται σε έναν τρόπο εκτέλεσης, ο οποίος καθορίζει την συσκευή όπου εκτελείται και την πλατφόρμα που χρησιμοποιείται για την εκτέλεσή του. Βασισμένη σε αυτή την προσέγγιση, η παρούσα διπλωματική επεκτείνει τη λογική των τρόπων εκτέλεσης τελεστών του DAG*, λαμβάνοντας επίσης υπ' όψιν τον αριθμό των πυρήνων επεξεργασίας της συσκευής που ανατίθενται σε κάθε τελεστή. Ο στόχος είναι να αξιοποιηθούν πιο αποτελεσματικά οι διαθέσιμοι πόροι των συσκευών και να μειωθεί η εκτιμώμενη καθυστέρηση εκτέλεσης της ροής εργασίας.
Abstract
Many IoT applications across different domains depend on the real-time execution of online analytics workflows to achieve timely decision-making. The efficient execution of analytics workflows requires the uti- lization of the available processing power available across the cloud-to-edge continuum. However, the heterogeneity and scale of these environments make the derivation of optimal execution plans more challenging. In particular, input data streams change dynamically over time, whereas larger IoT networks increase the complexity of the optimization problem. To address this problem, DAG* was proposed as an A*-alike algorithm that prunes the explored search space while retaining optimality for the produced workflow execution plan. In DAG*, each operator is assigned to an execution configuration, which determines the site where it is executed and the platform used for its execution. Building on this approach, this thesis extends the configuration logic of DAG* by also considering the number of processing site cores assigned to each operator. The goal is to exploit available site resources more effectively and reduce the estimated end-to-end workflow latency.
