Estimados, con mucho gusto los invitamos a la defensa de la tesis de Gonzalo Belcredi cuyos detalles se adjuntan. La misma será el próximo Jueves 2 de Diciembre a las 17 horas por zoom:
Tema: Defensa de Gonzalo Belcredi
Hora: 2 dic. 2021 05:00 p. m. Montevideo
Unirse a la reunión Zoom
https://salavirtual-udelar.zoom.us/j/9508830820?pwd=WU5ieFB3ZWs4aFZsVWUrZWlMWUc3UT09
ID de reunión: 950 883 0820
Código de acceso: gonzalo21.
Hora: 2 dic. 2021 05:00 p. m. Montevideo
Unirse a la reunión Zoom
https://salavirtual-udelar.zoom.us/j/9508830820?pwd=WU5ieFB3ZWs4aFZsVWUrZWlMWUc3UT09
ID de reunión: 950 883 0820
Código de acceso: gonzalo21.
Título de la Tesis:
Análisis de redes IoT de gran escala con múltiples capas de procesamiento: una aproximación de límite fluido
Directores de Tesis
Pablo Belzarena
Pablo Monzón
Tribunal
Marcelo Fiori
Marcelo Fiori
Federico La Rocca
Leonardo Steinfeld
Leonardo Steinfeld
Pablo Belzarena
Pablo Monzón
Resumen
En las últimas décadas con el incremento del tráfico de Internet y la aparición de nuevas aplicaciones intensivas en procesamiento surge el paradigma de Edge Computing, o computación en el borde. La idea general es derivar procesamiento hacia los bordes de la red de forma de disminuir la latencia en las comunicaciones y de esta manera disminuir también el tiempo total de ejecución de las tareas.
En el caso de redes IoT que requieran computar tareas intensivas en procesamiento, y que dispongan de infraestructura en el Edge y el Cloud se abre la interrogante de cómo distribuir ese procesamiento en las tres capas: local, Edge y Cloud.
Aún en escenarios simplificados, la decisión acerca de qué tareas procesar en cada una de las capas no es un problema sencillo o rápido de resolver. El desafío es mayor cuando se tratan de redes IoT de gran escala, con cientos o miles de dispositivos conectados.
En esta tesis se modela una red IoT de gran escala que realiza el offloading de tareas al Edge/Cloud, a través de un proceso de Markov en tiempo continuo. Con el objetivo de analizar el comportamiento del sistema, se considera una aproximación de límite fluido del Proceso de Markov escalado con la cantidad de dispositivos IoT. Haciendo tender a infinito la cantidad de dispositivos, el proceso de Markov converge en probabilidad a la solución de un sistema determinístico de ecuaciones diferenciales ordinarias.
A los efectos de hallar el factor óptimo de offloading se formula un problema de optimización convexa que incluye restricciones de calidad de servicio: tasa de pérdidas y tiempo de retardo.
En una segunda parte de la tesis se analiza una red IoT de gran escala con cosecha de energía (energy-harvesting). Mediante una aproximación de límite fluido se analiza la dinámica del sistema para evaluar cómo afecta la escasez de energía en la calidad de servicio, en función de los factores de offloading y la tasa de cosecha de energía.
En el caso de redes IoT que requieran computar tareas intensivas en procesamiento, y que dispongan de infraestructura en el Edge y el Cloud se abre la interrogante de cómo distribuir ese procesamiento en las tres capas: local, Edge y Cloud.
Aún en escenarios simplificados, la decisión acerca de qué tareas procesar en cada una de las capas no es un problema sencillo o rápido de resolver. El desafío es mayor cuando se tratan de redes IoT de gran escala, con cientos o miles de dispositivos conectados.
En esta tesis se modela una red IoT de gran escala que realiza el offloading de tareas al Edge/Cloud, a través de un proceso de Markov en tiempo continuo. Con el objetivo de analizar el comportamiento del sistema, se considera una aproximación de límite fluido del Proceso de Markov escalado con la cantidad de dispositivos IoT. Haciendo tender a infinito la cantidad de dispositivos, el proceso de Markov converge en probabilidad a la solución de un sistema determinístico de ecuaciones diferenciales ordinarias.
A los efectos de hallar el factor óptimo de offloading se formula un problema de optimización convexa que incluye restricciones de calidad de servicio: tasa de pérdidas y tiempo de retardo.
En una segunda parte de la tesis se analiza una red IoT de gran escala con cosecha de energía (energy-harvesting). Mediante una aproximación de límite fluido se analiza la dinámica del sistema para evaluar cómo afecta la escasez de energía en la calidad de servicio, en función de los factores de offloading y la tasa de cosecha de energía.