Περίληψη
Η βιωσιμότητα στο συνεχές της υπολογιστικής έχει προσελκύσει αυξανόμενο ενδιαφέρον, καθώς ο αριθμός των διασυνδεδεμένων συσκευών και των συσκευών του Διαδικτύου των Πραγμάτων αυξάνεται, ενώ τα υπολογιστικά φορτία γίνονται ολοένα πιο σύνθετα. Παράλληλα, η τεχνητή νοημοσύνη υιοθετείται ευρύτερα από οργανισμούς και βιομηχανικούς φορείς, ενώ τα μοντέλα αυξάνονται σε μέγεθος και υπολογιστικές απαιτήσεις. Οι εξελίξεις αυτές επιβαρύνουν την ενεργειακή κατανάλωση και τους απαιτούμενους πόρους για την επεξεργασία δεδομένων, την εκπαίδευση μοντέλων και την εκτέλεση συμπερασμού. Ως αποτέλεσμα, οι συμβατικές κεντρικοποιημένες αρχιτεκτονικές κέντρων δεδομένων εξελίσσονται προς υβριδικά περιβάλλοντα πολλαπλών υπολογιστικών νεφών (multi cloud) και υποδομών στην άκρη του δικτύου (multi edge), με τη συμμετοχή κατανεμημένων παρόχων πόρων για την εκτέλεση υπολογισμών και την παροχή υπηρεσιών.Παρότι η μετάβαση αυτή ενισχύει την ευελιξία και την επεκτασιμότητα, εισάγει παράλληλα ένα σύνολο νέων προκλήσεων. ...
Η βιωσιμότητα στο συνεχές της υπολογιστικής έχει προσελκύσει αυξανόμενο ενδιαφέρον, καθώς ο αριθμός των διασυνδεδεμένων συσκευών και των συσκευών του Διαδικτύου των Πραγμάτων αυξάνεται, ενώ τα υπολογιστικά φορτία γίνονται ολοένα πιο σύνθετα. Παράλληλα, η τεχνητή νοημοσύνη υιοθετείται ευρύτερα από οργανισμούς και βιομηχανικούς φορείς, ενώ τα μοντέλα αυξάνονται σε μέγεθος και υπολογιστικές απαιτήσεις. Οι εξελίξεις αυτές επιβαρύνουν την ενεργειακή κατανάλωση και τους απαιτούμενους πόρους για την επεξεργασία δεδομένων, την εκπαίδευση μοντέλων και την εκτέλεση συμπερασμού. Ως αποτέλεσμα, οι συμβατικές κεντρικοποιημένες αρχιτεκτονικές κέντρων δεδομένων εξελίσσονται προς υβριδικά περιβάλλοντα πολλαπλών υπολογιστικών νεφών (multi cloud) και υποδομών στην άκρη του δικτύου (multi edge), με τη συμμετοχή κατανεμημένων παρόχων πόρων για την εκτέλεση υπολογισμών και την παροχή υπηρεσιών.Παρότι η μετάβαση αυτή ενισχύει την ευελιξία και την επεκτασιμότητα, εισάγει παράλληλα ένα σύνολο νέων προκλήσεων. Σε επίπεδο σχεδιασμού συστημάτων, οι πλατφόρμες, από χαμηλού επιπέδου υλοποιήσεις υλικού έως υψηλού επιπέδου εφαρμογές νευρωνικών δικτύων, καθίστανται ολοένα και πιο σύνθετες, ενώ οι σχεδιαστικές επιλογές μπορούν να επηρεάσουν σημαντικά την ενεργειακή κατανάλωση, την αξιοποίηση των πόρων και τη συνολική απόδοση του συστήματος. Σε επίπεδο ενορχήστρωσης, τα υβριδικά περιβάλλοντα πολλαπλών νεφών και υποδομών στην άκρη του δικτύου χαρακτηρίζονται από υψηλή δυναμικότητα και ετερογένεια, καθιστώντας την αποδοτική κατανομή πόρων και τον χρονοπρογραμματισμό ιδιαίτερα απαιτητικά. Παράλληλα, η αυξανόμενη σημασία της υπολογιστικής στην άκρη έχει ενισχύσει συνεργατικές και κατανεμημένες προσεγγίσεις τεχνητής νοημοσύνης (edge AI), με την ομοσπονδιακή μάθηση (federated learning) να αποτελεί αντιπροσωπευτική υλοποίησή τους. Η παρούσα διατριβή αντιμετωπίζει τις προκλήσεις αυτές στα βασικά επίπεδα της υβριδικής αρχιτεκτονικής νέφους και άκρης. Αρχικά, προτείνει μεθοδολογίες αυτοματοποιημένου σχεδιασμού συστημάτων βασισμένες στη μηχανική και ενισχυτική μάθηση, με στόχο την ικανοποίηση προδιαγραφών χρήστη και περιορισμών βιωσιμότητας, όπως η ενεργειακή αποδοτικότητα. Στη συνέχεια, εισάγει κατανεμημένη μεθοδολογία ενορχήστρωσης, η οποία αποσυνθέτει ένα σύνθετο κεντρικοποιημένο πρόβλημα λήψης αποφάσεων σε απλούστερα τοπικά προβλήματα ενορχήστρωσης. Οι συμμετέχοντες κόμβοι λήψης αποφάσεων συνεργάζονται για τον καθορισμό αποδοτικών αποφάσεων χρονοπρογραμματισμού, ακολουθώντας την αρχή της τοπικής δράσης με στόχο τη συνολική βελτιστοποίηση. Επιπλέον, η διατριβή προτείνει ένα πλήρως ασύγχρονο και χωρίς κεντρικό εξυπηρετητή σχήμα ομοσπονδιακής μάθησης, βασισμένο σε άμεση ομότιμη επικοινωνία μεταξύ των συμμετεχόντων κόμβων. Το σχήμα αυτό συνδυάζεται με μία προσαρμοστική στρατηγική συνάθροισης, σχεδιασμένη ώστε να περιορίζει την επίδραση των βραδυπορούντων κόμβων, των πλεοναζουσών ενημερώσεων και της στατιστικής ετερογένειας στις κατανομές των δεδομένων των συμμετεχόντων κατόχων δεδομένων. Η συγκεκριμένη προσέγγιση επιτρέπει την ανάπτυξη αποκεντρωμένων και επεκτάσιμων συστάδων τεχνητής νοημοσύνης χωρίς εξυπηρετητή, χωρίς να απαιτείται η ύπαρξη μόνιμου κεντρικού συντονιστή. Τέλος, οι προτεινόμενες μεθοδολογίες και τα αντίστοιχα πλαίσια αξιολογούνται σε πραγματικά συστήματα και εφαρμογές λήψης αποφάσεων σε πραγματικό χρόνο. Οι μελετώμενες περιπτώσεις χρήσης περιλαμβάνουν σύστημα ακουστικής παρακολούθησης για την ανίχνευση μελισσιών χωρίς βασίλισσα και σύστημα εντοπισμού θέσης εσωτερικού χώρου υπερευρείας ζώνης, ενισχυμένο μέσω ομοσπονδιακής μάθησης. Η διατριβή ακολουθεί ιεραρχική εξέλιξη από προσεγγίσεις ευφυούς κόμβου για τον αυτοματοποιημένο σχεδιασμό συστημάτων, σε κατανεμημένη νοημοσύνη πολλαπλών κόμβων με κεντρικό συντονισμό, και καταλήγει σε πλήρως ασύγχρονη ομοσπονδιακή μάθηση χωρίς εξυπηρετητή και με ομότιμη επικοινωνία. Συνολικά, οι συνεισφορές αντιμετωπίζουν κρίσιμες προκλήσεις για την ανάπτυξη βιώσιμων, επεκτάσιμων και ευφυών συστημάτων στην άκρη του δικτύου.
περισσότερα
Περίληψη σε άλλη γλώσσα
Sustainability has attracted increasing attention in recent years as the number of interconnected and Internet of Things devices continues to grow and computational workloads become progressively more complex. At the same time, artificial intelligence is being adopted more widely by organizations and industries, while AI models are becoming larger and more computationally demanding. These developments increase both the energy consumption and the resource requirements associated with data processing, model training, and inference. Under these conditions, conventional centralized data-centre architectures are gradually evolving toward hybrid multi-cloud and multi-edge environments in which multiple distributed resource providers participate in computation and service delivery. Although this transition improves flexibility and scalability, it also introduces several new challenges. At the system-design level, platforms ranging from low-level hardware components to high-level neural networ ...
Sustainability has attracted increasing attention in recent years as the number of interconnected and Internet of Things devices continues to grow and computational workloads become progressively more complex. At the same time, artificial intelligence is being adopted more widely by organizations and industries, while AI models are becoming larger and more computationally demanding. These developments increase both the energy consumption and the resource requirements associated with data processing, model training, and inference. Under these conditions, conventional centralized data-centre architectures are gradually evolving toward hybrid multi-cloud and multi-edge environments in which multiple distributed resource providers participate in computation and service delivery. Although this transition improves flexibility and scalability, it also introduces several new challenges. At the system-design level, platforms ranging from low-level hardware components to high-level neural network implementations are becoming increasingly complex, and their design choices can significantly affect energy consumption, resource utilization, and system performance. At the orchestration level, hybrid multi-cloud--multi-edge environments introduce highly dynamic and heterogeneous infrastructures, making efficient resource allocation and scheduling increasingly difficult. Furthermore, the growing relevance of edge computing has encouraged the emergence of collaborative and distributed edge-AI paradigms, with federated learning representing one of their most prominent implementations. This dissertation addresses these challenges across the main stages of the edge and hybrid cloud--edge continuum. First, it proposes machine-learning- and reinforcement-learning-based methodologies for automated system design, with the objective of satisfying user-defined specifications and sustainability constraints, such as energy efficiency. Second, it introduces a distributed orchestration methodology that decomposes a complex centralized decision-making problem into several simpler local orchestration problems. The participating agents collaborate to determine efficient scheduling decisions according to the principle of acting locally to optimize globally. In addition, the dissertation proposes a fully serverless and asynchronous federated learning scheme based on direct peer-to-peer communication. The scheme is combined with an adaptive aggregation strategy designed to reduce the impact of stragglers, redundant updates, and statistical heterogeneity in client data distributions. This approach enables the development of decentralized and scalable serverless AI clusters without relying on a permanent central coordinator. Finally, the proposed methodologies and frameworks are evaluated using real-world systems and real-time decision-making applications. The examined use cases include an acoustic monitoring system for detecting queenless beehives and an ultra-wideband indoor positioning system enhanced through federated learning. The dissertation therefore follows a hierarchical progression, beginning with single intelligent-node approaches for automated system design, advancing to distributed multi-node intelligence with central coordination for system orchestration, and culminating in fully serverless, peer-to-peer, and asynchronous federated learning. Collectively, these contributions address key challenges in the development of sustainable, scalable, and intelligent systems across the edge continuum.
περισσότερα