Master Thesis MSTR-2020-18

BibliographyGöggel, Jonathan: Reinforcement Learning zur optimalen Konfiguration von Datenstrom-Anwendungen mit selektiver Verarbeitung.
University of Stuttgart, Faculty of Computer Science, Electrical Engineering, and Information Technology, Master Thesis No. 18 (2020).
59 pages, german.
Abstract

Kurzfassung Bei Complex Event Processing (CEP) Anwendungen wird oft eine möglichst geringe Latenz benötigt. Bei Lastspitzen kann dies durch Verwerfen (Shedding) einiger Ereignisse sicher gestellt werden. Vorhandene Arbeiten fokussieren sich hierbei auf einen einzelnen Shedder oder auf das Verwerfen in reinen Streaming-Anwendungen. Diese Arbeit fokussiert sich besonders auf verschiedene Topologien mit mehreren Operatoren. Die Operatoren können hierbei komplexe Aufgaben wie beispielsweise Mustererkennung ausführen, bei denen sie mehrere Ereignisse gleichzeitig und zusammen betrachten. Um hierbei mit einem modellfreien Ansatz die optimale Intensität und Position der Shedder in der Topologie zu bestimmen wird Reinforcement-Learning (RL) verwendet. Diese Arbeit untersucht hierfür die Auswirkungen verschiedener Topologien, Metriken und RL-Methoden. Durch den modellfreien Ansatz wird kein Vorwissen für ein Modell benötigt. Somit kann dieser Ansatz insbesondere verwendet werden ohne die Art der Ereignisse oder das Verhalten der Operatoren zu kennen. Des Weiteren wird darauf verzichtet, das mit zunehmender Komplexität immer schwieriger werdende Modell manuell zu erstellen. Dieser Ansatz ermöglicht beliebige CEP-Topologien zu optimieren, so dass das Optimum von Latenz und Datenqualität entsteht. In dieser Arbeit wird dieser Ansatz untersucht und für einfache Topologien umgesetzt und analysiert.

Department(s)University of Stuttgart, Institute of Parallel and Distributed Systems, Distributed Systems
Superviser(s)Rothermel, Prof. Kurt; Röger, Henriette
Entry dateDecember 16, 2020
   Publ. Computer Science