Lernen verteilter Heuristiken für Platzierungsprobleme in Edge-Computing

Lernen verteilter Heuristiken für Platzierungsprobleme in Edge-Computing

Master Thesis

Motivation

Mobile Cloud Computing ermöglicht die Bereitstellung von Anwendungen auf Mobilgeräten, die aufgrund hoher Ressourcenanforderungen nicht lokal ausgeführt werden können. Allerdings ist der Kommunikationsaufwand eine Hürde für Anwendungen, die eine hohe Bandbreite oder geringe Latenz voraussetzen. Die Platzierung von Cloud-Ressourcen am Rand des Internets hat das Potenzial, diese Einschränkungen zu vermindern.

Es soll ein global optimierender Algorithmus für ein Placement-Problem in Edge-Computing implementiert werden und dann mittels Supervised Learning eine verteilte Heuristik trainiert werden, welche dessen Verhalten imitiert.

Ziele

  • Literaturrecherche bzgl. Verwandter Problemstellungen & Ansätze
  • Implementierung eines existierenden Algorithmus für Service-Placement in Edge-Computing
  • Lernen einer Heuristik (z.B. Neural Networks), die dessen Verhalten approximiert
  • Evaluierung der gelernten Heuristik gegen die zentrale Optimierung und existierende Methoden

Erforderliche Qualifikationen

  • Fähigkeit zur selbstständigen Arbeit und Interesse an Grundlagenforschung
  • Grundwissen über Netzwerke und verteilte Systeme
  • Grundkenntnisse in Python
  • Vorerfahrung mit Supervised Learning