Studentische Arbeiten

Cloud Computing ist eine effiziente Methode zur Verwaltung von Ressourcen und zur Bereitstellung von Diensten in einer mobilen Umgebung. Es ist jedoch wichtig, energieeffiziente Methoden für den Betrieb eines Systems zu wählen, um während der gesamten Lebensdauer des Geräts zur Nachhaltigkeit beizutragen. An dieser Stelle entsteht der Bedarf an Green Cloud Computing. Green Cloud Computing ist eine Technologie zur energieeffizienten Nutzung einer Cloud-Computing-Umgebung. Da beim Cloud Computing die Virtualisierungstechnologie eingesetzt wird, um ein nahtloses Arbeiten zu gewährleisten, wird ein Übermaß an Energie verschwendet, wenn diese virtuellen Maschinen (VMs) in einer überlasteten und unterlasteten Umgebung arbeiten. Daher müssen die VMs auf eine physische Maschine (PM) migriert werden, die für diese Operationen besser geeignet ist. Beim Verschieben von VMs von einer PM zu einer anderen geht viel Energie verloren. Wenn diese Migrationen nicht effizient durchgeführt werden, führt dies zu noch mehr Migrationen und damit zu unnötiger Energieverschwendung. Das Ziel dieser Forschungsarbeit "Verbesserung des Green Cloud Computing durch Anwendung von Metaheuristiken" ist die Schaffung einer energieeffizienten VM-Verwaltungsumgebung. In dieser Arbeit wird ein Fuzzy Inference System implementiert, um Benutzerinformationen zu sammeln und physische und virtuelle Maschinen nach Bedarf zu planen, um die Erfüllung von Dienstgüte (QoS) und Dienstvereinbarungen (SLA) zu gewährleisten. Darüber hinaus wird ein neuartiger Optimierungsalgorithmus, der Komodo Mlipir Algorithmus (KMA), eingesetzt, um virtuelle Maschinen durch VM-Migration und -Konsolidierung zu regulieren. Die implementierte Arbeit wird mit einer bestehenden Methode verglichen, die einen Virtual Machine Scheduling-Modified Clonal Search Algorithm (VMS-MCSA) verwendet, der einen zufälligen Mutationsoperator verwendet, um die VMs mit dem erforderlichen Planungsintervall umzuplanen, um die Dynamik der Arbeitslast innerhalb der minimalen VM-Migrationen zu verwalten. Mit der Anpassung des Komodo-Mlipir-Algorithmus ist diese Forschungsarbeit in der Lage, eine geringere Migrationszeit zwischen VMs aufgrund eines höheren Optimierungsniveaus zu erreichen, und erreicht damit, eine erhebliche Menge an Energie im Prozess der Konsolidierung als Ergebnis der optimierten Migration zu sparen.

Die Vehicle-to-Everything (V2X)-Kommunikation ist ein wichtiger Bestandteil intelligenter Verkehrssysteme (ITS), die einen integrierten Ansatz für den Austausch relevanter Informationen für eine Vielzahl von Anwendungen wie aktive Verkehrssicherheit, Infotainment und Verkehrsmanagement bieten. Der zuverlässige und rechtzeitige Austausch von Informationen zwischen Fahrzeugknoten ist eine entscheidende Herausforderung bei V2X. In diesem Zusammenhang sind effiziente V2X-Routing-Protokolle unerlässlich, um Zuverlässigkeit und Sicherheit zu gewährleisten und gleichzeitig die allgemeine Dienstqualität (QoS) zu verbessern. Ad-hoc-Netze für Fahrzeuge (VANETs) sind aufgrund der hohen Mobilität der Fahrzeugknoten, der unsteten Konnektivität, der schnellen Änderungen der Netztopologie und der unbegrenzten Größe des Netzes starken Schwankungen unterworfen, die die Routing-Leistung erheblich beeinträchtigen können und häufige Aktualisierungen der Routing-Entscheidungen erforderlich machen können. Herkömmliche Routing-Protokolle sind nicht in der Lage, mit den komplexen Merkmalen umzugehen, die in solchen dynamischen Netzen auftreten. In diesem Zusammenhang haben sich Techniken des maschinellen Lernens in letzter Zeit als leistungsfähige Werkzeuge für das Lernen komplexer Aufgaben erwiesen. Reinforcement Learning-Techniken, insbesondere Deep Reinforcement Learning (DRL), können diese Herausforderung meistern, indem sie mit der V2X-Umgebung in Echtzeit interagieren. Aufgrund der graphenstrukturierten VANET-Topologie können traditionelle DRL-Modelle, die für gitterartige Daten entwickelt wurden, jedoch nicht verallgemeinert werden. Daher wird in dieser Arbeit die Leistung einer GNN-basierten DRL-Routing-Strategie über verschiedene V2X-Netzwerktopologien mit Schwerpunkt auf der Optimierung von Datenrate und Latenzzeit bewertet. Darüber hinaus wird die Routing-Leistung des vorgeschlagenen Modells mit einem idealen Routing-Protokoll für den kürzesten Weg verglichen, um die Wirksamkeit der Strategie zu demonstrieren.

Wireless Sensor Networks (WSNs) werden mit dem Aufkommen des Internets der Dinge (IoTs) immer beliebter. Internets der Dinge haben in den letzten Jahren an Attraktivität gewonnen. Es ermöglicht die nahtlose Integration verschiedener Arten von Endgeräten und stellt viele Arten von lokalisierten Informationen bereit, die von verteilten Anwendungen analysiert werden können. Um die Verwaltbarkeit zu verbessern, wurde der Software-Defined Networking (SDN)-Ansatz kürzlich erfolgreich auf des Internets der Dinge-Netzwerke angewendet. Im vorgegebenen Thema einer Masterarbeit soll ein Simulationstool für SDN-basierte Wireless Sensor Networks (WSNs) identifiziert und angewendet werden, um den Nutzen dieses Ansatzes zu evaluieren.

Der Wunsch nach einer präzisen Verfolgung von Objekten in Innenräumen wurde seit der Erfindung der Außenortung nicht mehr befriedigt. Mit der Einführung von IoT-basierten Lösungen in immer mehr Branchen ist diese Nachfrage noch gestiegen. Ein Outdoor-Positionierungssystem funktioniert in Innenräumen aufgrund von Dämpfungen durch Reflexionen an Wänden und engen Bereichen nicht. Dieses Problem wurde auf verschiedene Weise angegangen, von der Einführung von Infrarot bis hin zur Verwendung anderer neuerer drahtloser Technologien. Wir haben jedoch eine Lösung vorgeschlagen, die sich auf die Nutzung von \ac{BLE} konzentriert, da diese kostengünstig ist, nur minimale Energieanforderungen hat und in den meisten bereits verwendeten intelligenten Geräten verfügbar ist. Um besser zu verstehen, welche Platzierung für die betrachtete Region ideal ist, haben wir die Grenzen des eigenständigen \ac{BLE}-Moduls in den Ankern durch Verschieben bewertet. Wir wendeten die Nullhypothese auf die generierten Daten jedes Experiments an, um deren Unterschied zu bestätigen, was positiv ausfiel, um zu bestätigen, dass die Änderungen der Platzierung für die Ergebnisse verantwortlich waren. Schließlich sind die berechnete Kreisfehlerwahrscheinlichkeit und der Schätzfehler kleiner als $0,5m$. Die erzielten Ergebnisse zeigten eine optimale Platzierung der Anker, wodurch eine zufriedenstellende Position im Innenraum erreicht wurde. Dies zeigte auch, dass das \ac{BLE}-Modul genau und erfolgreich in der Sichtlinie arbeitete.

Functional Split (FS) befasst sich mit der Aufgabenteilung zwischen den verschiedenen Geräten, basierend auf ihren Fähigkeiten. Ein wichtiger Aspekt von FS ist das Computation Offloading (CO), das sich auf die Übertragung schwerer Rechenaufgaben von hardwarebegrenzten Geräten (Clients) [GPU, CPU, RAM, Speicher] auf leistungsfähigere (Server) bezieht. Das Ziel von CO besteht darin, entweder die Gesamtausführungszeit aller Apps zu reduzieren, den Stromverbrauch der Client-Geräte zu reduzieren oder eine Kombination aus beidem. Cloud Computing (CC) ist eine mögliche Technologie, die in CO verwendet werden kann, aber da die Entfernung zwischen den Clients und Server im Bereich von Hunderten von Kilometern liegt, ist dies für Apps, die eine geringe Latenzzeit erfordern, nicht machbar. Für diese Arten von Apps kann Edge Computing (EC) verwendet werden. EC als Paradigma, kombiniert mit der Entwicklung der 5. Generation (5G), hat die Art und Weise, wie die Daten heutzutage verarbeitet werden, erheblich verbessert. In den letzten Jahren wurde viel geforscht, um einzelne Fragen („Warum“, „Was“, „Wo“, „Wenn/Wann“ und „Wie“) zu beantworten, die für CO entscheidend sind. Da diese Fragestellungen sehr komplex sein können, ist die Implementierung eines Software-Agenten mittels Machine Learning (ML) von größter Bedeutung. Ein Emulationsaufbau, bestehend aus einem Raspberry Pi (RPi) 3B als Client und einem Laptop als Server, wurde verwendet. Als zugrunde liegendes Netz wurde ein echtes 5G-Netz verwendet. Um den Entscheidungsaspekt zu optimieren, wird ein Deep Reinforcement Learning (DRL) Agent implementiert und trainiert. Es wurden verschiedene Tests durchgeführt, um die Leistung unseres Agenten mit der Closed-Form-Lösung und State-of-the-Art-Ansätzen, wie dem zuvor implementierten RL-Agenten, vergleichen zu können. Unser vorgeschlagener DRL-Agent hat gezeigt, dass er die Lösung in geschlossener Form übertrifft, während er auch eine ähnliche Leistung wie der RL-Agent zeigt. Beide ML-Modelle reduzieren die Gesamtfertigstellungszeit aller Apps. Es wurden verschiedene Szenarien in Betracht gezogen und die Größe des für das Training verwendeten Datensatzes schrittweise reduziert. Basierend auf unseren Ergebnissen haben wir bewiesen, dass der DRL-Agent genauso gut abschneidet wie der RL-Agent, während er im Vergleich zu letzterem eine Reihe von Vorteilen hat. Nicht nur die Menge an Trainingsdaten, die zum Trainieren des Agenten benötigt wird, wurde reduziert, sondern wir haben auch eine Lösung, die sowohl auf diskreten als auch auf kontinuierlichen Zustandsräumen funktioniert. Während der RL-Agent nur Entscheidungen für Zustände treffen kann, die er zuvor angetroffen hat, kann unser DRL-Agent aufgrund der Einbindung neuronaler Netze auch Entscheidungen für ähnliche Zustände treffen.