ارائه ­دهنده:

حاتم ابوالقاسمی


  استاد راهنما:

دکتر مهرداد آشتیانی

هیات داوران:
 

استاد راهنما:  دکتر مهرداد آشتیانی

استاد مشاور: دکتر مرضیه ملکی مجد

هیات داوری:  دکتر سید احمد جوادی

تاریخ دفاع: ۱۴۰۴/۰۵/۲۷

زمان: ۱۰:۰۰
      

مکان: اتاق دفاع مجازی دانشکده کامپیوتر

 

چکیده
در سال‌های اخیر، یادگیری عمیق به‌عنوان زیرمجموعه‌ای از یادگیری ماشین، به‌دلیل توانایی در انجام وظایف پیچیده‌ای مانند تشخیص تصویر، پردازش زبان طبیعی و تحلیل رفتار، مورد توجه
گسترده‌ای قرار گرفته است. با این حال، استقرار این مدل‌ها در محیط‌های مبتنی بر گنجانه با چالش‌هایی نظیر مقیاس‌پذیری، مدیریت منابع و سازگاری بارهای کاری مواجه است. به‌ویژه، نیاز
پیوسته به منابع محاسباتی سنگین و ماهیت پویا و متغیر بارهای کاری، لزوم استفاده از راهکارهای هوشمند زمان‌بندی را برجسته می‌سازد. در این پایان‌نامه، چارچوبی نوین برای زمان‌بندی آگاه
از بار کاری در محیط‌های گنجانه‌سازی‌شده‌ی یادگیری عمیق ارائه شده است. این چارچوب با استفاده از الگوریتم تقویتی عامل-منتقد نرم، تصمیمات تخصیص منابع را به‌صورت پویا و با تکیه بر
تحلیل هم‌زمان شاخص‌های سیستمی نظیر مصرف CPU، GPU و حافظه و ویژگی‌های خاص بارهای یادگیری مانند پیچیدگی مدل و میزان پیشرفت آموزش اتخاذ می‌کند. همچنین، یک مؤلفه‌ی
مکمل برای بهینه‌سازی پارامترهای ورودی هر کار، شامل اندازه‌ی دسته، تعداد دوره‌های آموزش و مقدار منابع درخواستی، پیش از زمان‌بندی طراحی شده است. جهت ارزیابی عملکرد سامانه،
شبیه‌سازی جامعی با استفاده از داده‌های واقعی ردگیری خوشه‌ی Alibaba و در بستری شامل ۱۳ گره همگن انجام شد. نتایج تجربی نشان می‌دهند که چارچوب پیشنهادی، زمان متوسط تکمیل
کارها را تا ۳۸٪ کاهش داده، دقت آموزش را به ۸۵٪ افزایش داده و میانگین خطای آموزش را به ۰٫۲۷ رسانده است. همچنین، مصرف CPU تا ۲۰٪، مصرف GPU تا ۱۸٪ و مصرف حافظه تا ۱۵٪
کاهش یافته و توزیع منابع نیز متعادل‌تر شده است. این نتایج بیانگر کارایی بالای رویکرد پیشنهادی در بهبود بهره‌وری و مقیاس‌پذیری بارهای یادگیری عمیق در زیرساخت‌های مدرن مبتنی بر
گنجانه است.

واژه‌های کلیدی: یادگیری عمیق، گنجانه ­سازی، مقیاس­ پذیری، چالش­های استقرار.