Προκηρύσσεται μία θέση για έναρξη διδακτορικής διατριβής με επιβλέποντα καθηγητή τον Καθηγητή Κώστα Στεργίου (kstergiou@uowm.gr). Υπάρχει δυνατότητα χρηματοδότησης του υποψήφιου διδάκτορα από σχετικό ερευνητικό έργο. 

Θέμα: Μάθηση Περιορισμών για Προβλήματα Βελτιστοποίησης σε Κέντρα Δεδομένων (Constraint Learning for Optimization Problems in Data Centers)

Περιγραφή: Το προτεινόμενο θέμα διδακτορικών σπουδών αποσκοπεί στη σχεδίαση, υλοποίηση και εφαρμογή τεχνικών απόκτησης (μάθησης) περιορισμών (constraint acquisition) για την υποβοήθηση της μοντελοποίησης προβλημάτων βελτιστοποίησης σε κέντρα δεδομένων (data centers). 

Η "απόκτηση περιορισμών" αναφέρεται σε ένα σύνολο μεθόδων μηχανικής μάθησης που μπορούν να χρησιμοποιηθούν για την αυτοματοποιημένη μοντελοποίηση προβλημάτων ικανοποίησης περιορισμών (Constraint Satisfaction Problems - CSPs). Αν και η τεχνολογία των CSPs είναι ιδιαιτέρως επιτυχημένη στην επίλυση πολλών δύσκολων συνδυαστικών προβλημάτων, ένα από τα μειονεκτήματά της είναι ότι απαιτεί εξειδικευμένες γνώσεις από τους χρήστες καθώς είναι απαραίτητο να μπορούν να αποτυπώσουν το πραγματικό πρόβλημα που επιθυμούν να λύσουν ως ένα σύνολο μεταβλητών και περιορισμών. Η απόκτηση περιορισμών απλοποιεί την μοντελοποίηση καθώς την αναγάγει σε μια διαδικασία αλληλεπίδρασης μεταξύ συστήματος και χρήστη όπου το σύστημα υποβάλει παραδείγματα στον χρήστη και αυτός τα κατηγοριοποιεί ως λύσεις ή μη λύσεις. Αν και έχουν προταθεί πολλές σχετικές τεχνικές, δεν έχουν εφαρμοστεί σε πραγματικά συνδυαστικά προβλήματα. Επίσης, οι υπάρχουσες τεχνικές δε μπορούν να χειριστούν προβλήματα βελτιστοποίησης όπου εκτός από τους περιορισμούς πρέπει να μαθευτεί και η αντικειμενική συνάρτηση.

Τα κέντρα δεδομένων είναι κατανεμημένα συστήματα διαχείρισης δεδομένων, αποτελούμενα από υβριδικές υπολογιστικές μονάδες (κεντρικές μονάδες επεξεργασίας - CPUs, μονάδες επεξεργασίας γραφικών - GPUs, και επιταχυνόμενες μονάδες επεξεργασίας - APUs). Η υψηλή υπολογιστική ισχύς που προσφέρουν καθιστά τα κέντρα δεδομένων απαραίτητο εργαλείο για το μοντέλο υπολογιστικής νέφους (cloud computing) που πλέον είναι το κυρίαρχο μοντέλο για τη διαχείριση Μεγάλων Δεδομένων (Big Data). Τα κέντρα δεδομένων μπορούν να επεξεργαστούν μεγάλο αριθμό ταυτόχρονων και λογικά ανεξάρτητων αιτημάτων μαζί με τον τεράστιο όγκο δεδομένων που συνοδεύει αυτά τα αιτήματα. Για να επιτευχθεί αυτό, είναι απαραίτητη η επίλυση προβλημάτων βελτιστοποίησης που έχουν κυρίως να κάνουν με την κατανομή των αιτημάτων/εργασιών σε εικονικές μηχανές και την τοποθέτηση των εικονικών μηχανών σε φυσικές μηχανές. Καθώς η διαμόρφωση των κέντρων δεδομένων και οι απαιτήσεις και οι περιορισμοί των εφαρμογών που εξυπηρετούν μπορεί να διαφέρουν δραστικά, τα μοντέλα των προβλημάτων βελτιστοποίησης που προκύπτουν παρουσιάζουν μεγάλη ποικιλία και διαβάθμιση σε βαθμό πολυπλοκότητας. Αυτό δημιουργεί υψηλές απαιτήσεις σε εξειδικευμένες γνώσεις μοντελοποίησης από την πλευρά των διαχειριστών κέντρων δεδομένων, και ως εκ τούτου τεχνικές CSPs σπανίως χρησιμοποιούνται, παρά την μεγάλη τους αποτελεσματικότητα.   

Ο βασικός στόχος της διδακτορικής έρευνας είναι η ανάπτυξη ενός εργαλείου απόκτησης περιορισμών που θα μπορεί να χρησιμοποιηθεί από διαχειριστές κέντρων δεδομένων χωρίς εξειδικευμένες γνώσεις σε CSPs για την μοντελοποίηση των προβλημάτων βελτιστοποίησης που αντιμετωπίζουν. Για να επιτευχθεί αυτό, θα πρέπει:

• Να μελετηθούν και να προσαρμοστούν υπάρχουσες τεχνικές μάθησης περιορισμών ώστε να ανταποκρίνονται στις απαιτήσεις των συγκεκριμένων προβλημάτων βελτιστοποίησης.
• Να επεκταθούν οι υπάρχουσες μέθοδοι ώστε να μπορούν να μάθουν και αντικειμενικές συναρτήσεις εκτός από μεμονωμένους περιορισμούς.
• Να γίνουν εκτεταμένες πειραματικές μελέτες με συνθετικά και πραγματικά δεδομένα.
• Να αναπτυχθεί ένα εργαλείο λογισμικού με την κατάλληλη διεπαφή προς τους χρήστες, το οποίο θα μπορεί να διατεθεί σε διαχειριστές κέντρων δεδομένων για να υποβοηθήσει την διαδικασία μοντελοποίησης προβλημάτων βελτιστοποίησης.

Για την διεκπεραίωση της διδακτορικής έρευνας απαιτούνται πολύ καλές γνώσεις προγραμματισμού, αλγορίθμων και δομών δεδομένων, και ισχυρό υπόβαθρο στην Τεχνητή Νοημοσύνη ή/και στην Βελτιστοποίηση.

Προθεσμία υποβολής: 14-10-2020 έως 2-11-2020

 Οι ενδιαφερόμενοι παρακαλούνται να επικοινωνήσουν ηλεκτρονικά στη διεύθυνση email kstergiou@uowm.gr (υπόψη κ. Στεργίου) για περισσότερες λεπτομέρειες.