Πρωτότυπος Τίτλος:
Ριζωματικό Γνωσιακό Υπολογιστικό Συνεχές
Συγγραφέας:
Θεοδωρόπουλος, Θεόδωρος, Νικόλαος
Επιβλέπων καθηγητής:
Τσερπές, Κωνσταντίνος
Περίληψη:
Η ραγδαία ανάπτυξη του υπολογιστικού συνεχούς cloud-edge, ενισχυμένη από την εξάπλωση του Διαδικτύου των Πάντων (Internet of Everything – IoE), έχει οδηγήσει στη δημιουργία ιδιαίτερα ετερογενών, μεγάλης κλίμακας και δυναμικών υποδομών. Οι υποδομές αυτές καλούνται να υποστηρίξουν ένα ευρύ φάσμα κατανεμημένων εφαρμογών (από επαυξημένη πραγματικότητα και διαδραστικά παιχνίδια σε πραγματικό χρόνο έως βιομηχανικά συστήματα IoT με αυστηρούς χρονικούς περιορισμούς) που λειτουργούν σε γεωγραφικά κατανεμημένα και τοπολογικά σύνθετα περιβάλλοντα. Οι παραδοσιακές προσεγγίσεις διαχείρισης βασίζονται συνήθως σε απομονωμένες γνωσιακές λειτουργίες, οι οποίες αδυνατούν να αποτυπώσουν και να αξιοποιήσουν τις βαθιές αλληλεξαρτήσεις που χαρακτηρίζουν αυτά τα περιβάλλοντα.
Η παρούσα διατριβή προτείνει ένα νέο αρχιτεκτονικό πρότυπο, το Ριζωματικό Γνωσιακό Υπολογιστικό Συνεχές (Rhizomatic Cognitive Computing Continuum), το οποίο επαναπροσδιορίζει τον τρόπο με τον οποίο οργανώνεται η γνώση και εκδηλώνεται η ευφυής λήψη αποφάσεων στο πολυεπίπεδο υπολογιστικό τοπίο του cloud-edge. Κεντρικές έννοιες της προσέγγισης αυτής αποτελούν το ριζώμα και τα γνωσιακά στρώματα (strata), εμπνευσμένα από το φιλοσοφικό πλαίσιο των Deleuze και Guattari. Το ριζώμα λειτουργεί ως ένας δυναμικός, αποκεντρωμένος υπεργράφος, ο οποίος αναπαριστά οντότητες όπως υπηρεσίες, κόμβους, χρήστες ή συμφραζόμενα, και ενσωματώνει χωρικές, χρονικές και αιτιακές σχέσεις. Πάνω σε αυτήν τη βάση, αναδύονται τα γνωσιακά στρώματα ως συνθέσιμα επίπεδα λειτουργικότητας που επιτελούν διακριτές γνωσιακές διεργασίες.
Αυτή η διατριβή συμβάλλει στον σχεδιασμό και την υλοποίηση εξειδικευμένων μοντέλων βαθιάς μάθησης, βασισμένων σε νευρωνικά δίκτυα γράφων (Graph Neural Networks – GNNs), τα οποία εφαρμόζονται σε κάθε επιμέρους στρώμα αξιοποιώντας τον κοινό υπεργράφο. Στο στρώμα πρόβλεψης κινητικότητας, το μοντέλο WEST GCN-LSTM εφαρμόζει πολιτικές διαμορφωμένες με βάση τις περιοχές και τους πληθυσμούς για την πρόβλεψη μετακινήσεων. Στο τοπικό στρώμα αυτόματης προληπτικής κλιμάκωσης, ένα μοντέλο GNN τύπου encoder-decoder επιτρέπει την πρόβλεψη χρήσης πόρων σε πολλαπλά χρονικά βήματα και την αποδοτική απόκριση σε αυξημένο φορτίο. Το καθολικό στρώμα κλιμάκωσης εισάγει το GraphOpticon, ένα GNN σύστημα που ενοποιεί δεδομένα από πολλαπλά clusters για την καθολική βελτιστοποίηση ενεργειών. Το στρώμα τοποθέτησης υπηρεσιών αξιοποιεί το GNOSIS, ένα υβριδικό GNN και ενισχυτικής μάθησης μοντέλο, που μετατρέπει την τοποθέτηση υπηρεσιών σε πρόβλημα κάλυψης κορυφών με στόχο τη μείωση καθυστέρησης και δέσμευσης πόρων. Τέλος, το στρώμα πρόβλεψης παραβίασης SLA ενσωματώνει πολυδιάστατη πληροφορία — χρονική, τοπολογική και σημασιολογική — για την πρώιμη ανίχνευση κινδύνων παραβίασης εγγυήσεων.
Παράλληλα, η διατριβή προτείνει έναν ισχυρό μηχανισμό ομοσπονδιοποιημένης διαχείρισης των γνωσιακών στρωμάτων, αξιοποιώντας το Cluster API και το Liqo για δυναμική ενορχήστρωση, εικονικοποίηση και διαλειτουργικότητα μεταξύ clusters. Με αυτόν τον τρόπο, διασφαλίζεται η συνεχής, ευέλικτη και συνεπής λειτουργία του συστήματος ακόμα και σε ασταθή ή κατακερματισμένα υπολογιστικά περιβάλλοντα. Μέσω της αποσυσχέτισης των γνωσιακών λειτουργιών σε αρθρωτά στρώματα και της θεμελίωσής τους σε έναν κοινό, σημασιολογικά πλούσιο ριζωματικό χώρο, το προτεινόμενο μοντέλο υπερβαίνει τους περιορισμούς των συμβατικών προσεγγίσεων. Παρέχει ένα συνεργιστικό πλαίσιο λήψης αποφάσεων, ευθυγραμμισμένο με τις ανάγκες των συστημάτων κυβερνοφυσικής επόμενης γενιάς. Η διατριβή προσφέρει όχι μόνο ένα εννοιολογικό υπόδειγμα, αλλά και λειτουργικές υλοποιήσεις των γνωσιακών στρωμάτων ως αναπτύξιμων και διαλειτουργικών πρακτόρων, θέτοντας τις βάσεις για ένα ευφυές και αυτοπροσαρμοζόμενο υπολογιστικό συνεχές.
Η παρούσα διατριβή προτείνει ένα νέο αρχιτεκτονικό πρότυπο, το Ριζωματικό Γνωσιακό Υπολογιστικό Συνεχές (Rhizomatic Cognitive Computing Continuum), το οποίο επαναπροσδιορίζει τον τρόπο με τον οποίο οργανώνεται η γνώση και εκδηλώνεται η ευφυής λήψη αποφάσεων στο πολυεπίπεδο υπολογιστικό τοπίο του cloud-edge. Κεντρικές έννοιες της προσέγγισης αυτής αποτελούν το ριζώμα και τα γνωσιακά στρώματα (strata), εμπνευσμένα από το φιλοσοφικό πλαίσιο των Deleuze και Guattari. Το ριζώμα λειτουργεί ως ένας δυναμικός, αποκεντρωμένος υπεργράφος, ο οποίος αναπαριστά οντότητες όπως υπηρεσίες, κόμβους, χρήστες ή συμφραζόμενα, και ενσωματώνει χωρικές, χρονικές και αιτιακές σχέσεις. Πάνω σε αυτήν τη βάση, αναδύονται τα γνωσιακά στρώματα ως συνθέσιμα επίπεδα λειτουργικότητας που επιτελούν διακριτές γνωσιακές διεργασίες.
Αυτή η διατριβή συμβάλλει στον σχεδιασμό και την υλοποίηση εξειδικευμένων μοντέλων βαθιάς μάθησης, βασισμένων σε νευρωνικά δίκτυα γράφων (Graph Neural Networks – GNNs), τα οποία εφαρμόζονται σε κάθε επιμέρους στρώμα αξιοποιώντας τον κοινό υπεργράφο. Στο στρώμα πρόβλεψης κινητικότητας, το μοντέλο WEST GCN-LSTM εφαρμόζει πολιτικές διαμορφωμένες με βάση τις περιοχές και τους πληθυσμούς για την πρόβλεψη μετακινήσεων. Στο τοπικό στρώμα αυτόματης προληπτικής κλιμάκωσης, ένα μοντέλο GNN τύπου encoder-decoder επιτρέπει την πρόβλεψη χρήσης πόρων σε πολλαπλά χρονικά βήματα και την αποδοτική απόκριση σε αυξημένο φορτίο. Το καθολικό στρώμα κλιμάκωσης εισάγει το GraphOpticon, ένα GNN σύστημα που ενοποιεί δεδομένα από πολλαπλά clusters για την καθολική βελτιστοποίηση ενεργειών. Το στρώμα τοποθέτησης υπηρεσιών αξιοποιεί το GNOSIS, ένα υβριδικό GNN και ενισχυτικής μάθησης μοντέλο, που μετατρέπει την τοποθέτηση υπηρεσιών σε πρόβλημα κάλυψης κορυφών με στόχο τη μείωση καθυστέρησης και δέσμευσης πόρων. Τέλος, το στρώμα πρόβλεψης παραβίασης SLA ενσωματώνει πολυδιάστατη πληροφορία — χρονική, τοπολογική και σημασιολογική — για την πρώιμη ανίχνευση κινδύνων παραβίασης εγγυήσεων.
Παράλληλα, η διατριβή προτείνει έναν ισχυρό μηχανισμό ομοσπονδιοποιημένης διαχείρισης των γνωσιακών στρωμάτων, αξιοποιώντας το Cluster API και το Liqo για δυναμική ενορχήστρωση, εικονικοποίηση και διαλειτουργικότητα μεταξύ clusters. Με αυτόν τον τρόπο, διασφαλίζεται η συνεχής, ευέλικτη και συνεπής λειτουργία του συστήματος ακόμα και σε ασταθή ή κατακερματισμένα υπολογιστικά περιβάλλοντα. Μέσω της αποσυσχέτισης των γνωσιακών λειτουργιών σε αρθρωτά στρώματα και της θεμελίωσής τους σε έναν κοινό, σημασιολογικά πλούσιο ριζωματικό χώρο, το προτεινόμενο μοντέλο υπερβαίνει τους περιορισμούς των συμβατικών προσεγγίσεων. Παρέχει ένα συνεργιστικό πλαίσιο λήψης αποφάσεων, ευθυγραμμισμένο με τις ανάγκες των συστημάτων κυβερνοφυσικής επόμενης γενιάς. Η διατριβή προσφέρει όχι μόνο ένα εννοιολογικό υπόδειγμα, αλλά και λειτουργικές υλοποιήσεις των γνωσιακών στρωμάτων ως αναπτύξιμων και διαλειτουργικών πρακτόρων, θέτοντας τις βάσεις για ένα ευφυές και αυτοπροσαρμοζόμενο υπολογιστικό συνεχές.
Ημερομηνία κατάθεσης:
2025-07-31
Γλώσσες Τεκμηρίου:
Αγγλικά
Θεματικές Κατηγορίες:
Ηλεκτρονικοί υπολογιστές. Επιστήμη των υπολογιστών
Λοιπά Θέματα:
Νευρωνικά δίκτυα (Επιστήμη των υπολογιστών)
Λέξεις-κλειδιά:
Τεχνητή Νοημοσύνη, υπολογιστική νέφους, Μηχανική μάθηση, Κατανεμημένη υπολογιστική
Περιγραφή:
174 σ.,εικ.,πίν.,διαγρ.,χάρτες,σχ.
Άδεια χρήσης:
Αναφορά Δημιουργού – Μη Εμπορική Χρήση – Όχι Παράγωγα Έργα 4.0
