| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 5.95 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
Smart systems, more than ever, demands processing a massive amount of data generated by heterogeneous and distributed data sources. This dissertation presents the contribution made to a software architecture that processes big-data analytics from the edge to the cloud. The software architecture integrates both responsive data-in-motion (edge computing) and latent data-at-rest analytics (cloud computing) into a single solution, satisfying extremescale analytics performance requirements. This dissertation focused on fulfilling the nonfunctional properties inherited from smart systems, such as real-time and energy-efficiency, to ensure the performance of the software architecture first referred. The Non-Functional Requirements (NRF) Tool manages computing resources and detects Quality of Service (QoS) violations. The Global Resource Manager (GRM) helps the scheduler/orchestrator redeploy the applications through the NFR Tools’ feedback. In addition, it can act reactively or proactively (recurring to Machine Learning techniques) to improve the system’s health.
Os sistemas inteligentes, mais do que nunca, exigem processamento de grandes quantidades de dados gerados por fontes de dados heterogéneos e distribuídos. Esta tese apresenta a contribuição para uma arquitetura de software que processa análises de big-data desde a Edge até à Cloud. A arquitetura de software integra, numa única solução, dados em movimento responsivos (Edge computing) e dados analíticos em repouso latentes (Cloud computing), atendendo aos requisitos de desempenho de análises em escala extrema. O foco desta tese incide no cumprimento das propriedades não funcionais herdadas de sistemas inteligentes, como tempo real (Real Time) e eficiência energética, para garantir o desempenho da arquitetura de software inicialmente referida. A ferramenta de requisitos não funcionais (Non-Functional Requirements (NFR)) faz a gestão de recursos computacionais e deteta violações de Qualidade de Serviço (Quality of Service (QoS)). O gestor de recursos global ajuda o escalonador/orquestrador a reescalonar as aplicações através do feedback da NFR e pode agir de forma reativa ou proativa (recorrendo a técnicas de Aprendizagem de Máquina (Machine Learning (ML)) para melhorar a integridade do sistema.
Os sistemas inteligentes, mais do que nunca, exigem processamento de grandes quantidades de dados gerados por fontes de dados heterogéneos e distribuídos. Esta tese apresenta a contribuição para uma arquitetura de software que processa análises de big-data desde a Edge até à Cloud. A arquitetura de software integra, numa única solução, dados em movimento responsivos (Edge computing) e dados analíticos em repouso latentes (Cloud computing), atendendo aos requisitos de desempenho de análises em escala extrema. O foco desta tese incide no cumprimento das propriedades não funcionais herdadas de sistemas inteligentes, como tempo real (Real Time) e eficiência energética, para garantir o desempenho da arquitetura de software inicialmente referida. A ferramenta de requisitos não funcionais (Non-Functional Requirements (NFR)) faz a gestão de recursos computacionais e deteta violações de Qualidade de Serviço (Quality of Service (QoS)). O gestor de recursos global ajuda o escalonador/orquestrador a reescalonar as aplicações através do feedback da NFR e pode agir de forma reativa ou proativa (recorrendo a técnicas de Aprendizagem de Máquina (Machine Learning (ML)) para melhorar a integridade do sistema.
Description
Keywords
Non-Functional Requirements Quality of Service Real Time Machine Learning Requisitos não funcionais Qualidade de Serviço, Tempo Real Aprendizagem de Máquina