Show simple item record

dc.contributor.advisorMontaño, Razer Anthom Nizer Rojas, 1975-pt_BR
dc.contributor.authorScholze, Alice Nevespt_BR
dc.contributor.otherUniversidade Federal do Paranápt_BR
dc.date.accessioned2022-07-01T16:18:37Z
dc.date.available2022-07-01T16:18:37Z
dc.date.issued2021pt_BR
dc.identifier.urihttps://hdl.handle.net/1884/76251
dc.descriptionOrientador: Prof. Dr. Razer Anthom Nizer Rojas Montanopt_BR
dc.descriptionMonografia (especialização) - Universidade Federal do Paraná, Setor de de Educação Profissional e Tecnológica, Curso de Especialização em Inteligência Artificial Aplicada.pt_BR
dc.descriptionInclui referências: p. 20pt_BR
dc.description.abstractResumo: A computação em nuvem trouxe o conceito de escalabilidade e, como forma de dispor os sistemas na nuvem, passaram a ser utilizadas aplicações conteinerizadas. O Kubernetes provê a possibilidade de escalar aplicações por meio dos pods — conjunto de containers. Consegue realizar este processo de forma automática (HPA) utilizando métricas de CPU e memória, porém não com a latência, um valor que pode ser constantemente alterado conforme a quantidade de requisições. Dado que Reinforcement Learnings (RLs) atuam com cenários iterativos, esta pesquisa partiu da hipótese de que os modelos Q-Learning e SARSA conseguem escalar a quantidade de pods de uma aplicação, baseados na latência e, atingir melhores resultados que o HPA. Para testar esta hipótese, foi desenvolvida uma aplicação contida no Kubernetes que informa a métrica de latência. Esta métrica é lida pelos modelos, que a utilizam para definir a quantidade de pods. Como resultado, a hipótese se mostrou verdadeira dado que ambos os modelos mostraram adaptabilidade, aumentando e diminuindo a quantidade de pods quanto necessário. As principais diferenças entre eles foram que o SARSA manteve em maior proporção a latência dentro do ideal, enquanto que o Q-Learning demonstrou uma adaptação mais rápida ao sair de um estado de alta para baixa latência. Já comparados ao HPA, ambos os modelos atingiram melhores resultados.pt_BR
dc.format.extent1 recurso online : PDF.pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.languagePortuguêspt_BR
dc.subjectInteligência artificialpt_BR
dc.subjectComputação em nuvempt_BR
dc.subjectAlgorítmos de computadorpt_BR
dc.titleEscalonamento horizontal baseado em Reinforcement Learningpt_BR
dc.typeMonografia Especialização Digitalpt_BR


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record