Browsing by Author "CHEN YING-PING"

Now showing 1 - 12 of 12

MapReduce 架構之可靠性、延展性暨能源效率之提升研究
(2012)
陳穎平
;
CHEN YING-PING
;
國立交通大學資訊工程學系（所）
MapReduce 是Google 提出的軟體架構，它將大的工作 (job) 拆解成許多較小的map 和reduce 任務 (tasks)，並利用雲端環境的計算資源來平行執行任務，加快處理速度。近年來，許多組織單位紛紛採用此架構來處理龐大資料。然而，MapReduce 遵循主從式 (master/slave) 架構的設計導致 MapReduce 伺服器具有單點錯誤 (single point of failure) 以及受限的延展性 (limited scalability) 兩大問題。若擔任伺服器的節點突然故障，所有工作將無法順利完成。另外，由於計算資源有限，在面臨大量讀寫請求時，可能無法即時處理每個讀寫請求，進而影響到工作的執行時間。對於大規模的 MapReduce 叢集系統 (cluster)，伺服器應具有高度的可靠性以及處理延展能力。為此，我們提出為期三年的計劃構想：於第一年提出混合式冗餘機制，暫稱 Hybrid Redundant Mechanism (HRM) 來提升伺服器的可靠性。HRM 利用一個熱待命伺服器在原伺服器發生故障時快速接管，以縮短系統停機時間，讓所有工作得以完成。此外，HRM 也利用一個冷待命伺服器配合適當的熱身機制來提高整體可靠性。第二年則預計提出具有多重角色扮演之 MapReduce server cluster，暫稱為 Adaptive Hybrid Server Cluster (AHSC) 以同時提升伺服器的可靠性與延展性。當節點故障或者讀寫請求處理時間不如預期時，AHSC 中剩餘節點會調整角色使得伺服器得以持續運作，並讓所有讀寫請求完成，以免拖延執行時間。在第三年，我們將能源耗費 (energy consumption) 因素納入 AHSC 的設計中，運用排隊理論中的M/M/C/F 模型來提出具能源效率 (energy efficiency) 的調整機制，暫稱為 Energy-efficient Scalability Adjustment Mechanism (E2SAM)，以同時平衡 AHSC 的延展性與能源耗費。
MapReduce 架構之可靠性、延展性暨能源效率之提升研究
(2013)
陳穎平
;
CHEN YING-PING
;
國立交通大學資訊工程學系（所）
MapReduce 是Google 提出的軟體架構，它將大的工作 (job) 拆解成許多較小的map 和reduce 任務 (tasks)，並利用雲端環境的計算資源來平行執行任務，加快處理速度。近年來，許多組織單位紛紛採用此架構來處理龐大資料。然而，MapReduce 遵循主從式 (master/slave) 架構的設計導致 MapReduce 伺服器具有單點錯誤 (single point of failure) 以及受限的延展性 (limited scalability) 兩大問題。若擔任伺服器的節點突然故障，所有工作將無法順利完成。另外，由於計算資源有限，在面臨大量讀寫請求時，可能無法即時處理每個讀寫請求，進而影響到工作的執行時間。對於大規模的 MapReduce 叢集系統 (cluster)，伺服器應具有高度的可靠性以及處理延展能力。為此，我們提出為期三年的計劃構想：於第一年提出混合式冗餘機制，暫稱 Hybrid Redundant Mechanism (HRM) 來提升伺服器的可靠性。HRM 利用一個熱待命伺服器在原伺服器發生故障時快速接管，以縮短系統停機時間，讓所有工作得以完成。此外，HRM 也利用一個冷待命伺服器配合適當的熱身機制來提高整體可靠性。第二年則預計提出具有多重角色扮演之 MapReduce server cluster，暫稱為 Adaptive Hybrid Server Cluster (AHSC) 以同時提升伺服器的可靠性與延展性。當節點故障或者讀寫請求處理時間不如預期時，AHSC 中剩餘節點會調整角色使得伺服器得以持續運作，並讓所有讀寫請求完成，以免拖延執行時間。在第三年，我們將能源耗費 (energy consumption) 因素納入 AHSC 的設計中，運用排隊理論中的M/M/C/F 模型來提出具能源效率 (energy efficiency) 的調整機制，暫稱為 Energy-efficient Scalability Adjustment Mechanism (E2SAM)，以同時平衡 AHSC 的延展性與能源耗費。
MapReduce 架構之可靠性、延展性暨能源效率之提升研究
(2014)
陳穎平
;
CHEN YING-PING
;
國立交通大學資訊工程學系（所）
MapReduce 是Google 提出的軟體架構，它將大的工作 (job) 拆解成許多較小的map 和reduce 任務 (tasks)，並利用雲端環境的計算資源來平行執行任務，加快處理速度。近年來，許多組織單位紛紛採用此架構來處理龐大資料。然而，MapReduce 遵循主從式 (master/slave) 架構的設計導致 MapReduce 伺服器具有單點錯誤 (single point of failure) 以及受限的延展性 (limited scalability) 兩大問題。若擔任伺服器的節點突然故障，所有工作將無法順利完成。另外，由於計算資源有限，在面臨大量讀寫請求時，可能無法即時處理每個讀寫請求，進而影響到工作的執行時間。對於大規模的 MapReduce 叢集系統 (cluster)，伺服器應具有高度的可靠性以及處理延展能力。為此，我們提出為期三年的計劃構想：於第一年提出混合式冗餘機制，暫稱 Hybrid Redundant Mechanism (HRM) 來提升伺服器的可靠性。HRM 利用一個熱待命伺服器在原伺服器發生故障時快速接管，以縮短系統停機時間，讓所有工作得以完成。此外，HRM 也利用一個冷待命伺服器配合適當的熱身機制來提高整體可靠性。第二年則預計提出具有多重角色扮演之 MapReduce server cluster，暫稱為 Adaptive Hybrid Server Cluster (AHSC) 以同時提升伺服器的可靠性與延展性。當節點故障或者讀寫請求處理時間不如預期時，AHSC 中剩餘節點會調整角色使得伺服器得以持續運作，並讓所有讀寫請求完成，以免拖延執行時間。在第三年，我們將能源耗費 (energy consumption) 因素納入 AHSC 的設計中，運用排隊理論中的M/M/C/F 模型來提出具能源效率 (energy efficiency) 的調整機制，暫稱為 Energy-efficient Scalability Adjustment Mechanism (E2SAM)，以同時平衡 AHSC 的延展性與能源耗費。
利用前置式區域搜尋技術增強機率模型構建式基因演算法之執行效能研究
(2005)
陳穎平
;
CHEN YING-PING
;
國立交通大學資訊工程學系(所)
機率模型構建式基因演算法 (probabilistic model building genetic algorithms) 為當前所可使用的最好的基因與演化演算法之中的一種。然而，於過去的研究文獻中，我們可以知道，這一種型式的基因演算法和傳統或是一般的基因演算法比起來，通常會需要比較大的人口數目 (population size) 方能達到預計的效能。此外，根據基因演算法的性質，在程式開始後最初的幾代，人口中的個體原則上都和隨機產生出來的個體差別不大。在這樣的情形下，整體而言，此時基因演算法和隨機搜尋演算法 (random search) 幾近相同。為了要解決這樣的問題，並增強機率模型構建式基因演算法之效能，我們在本計劃中，將發展一種新的人口初始化的程序，以達成目的。本計劃將採用前置式區域搜尋技術 (prefix local search techniques) 來初始人口，用以增進機率模型構建式基因演算法之效能。奠基於機率模型構建過程的特性，前置式區域搜尋技術應當能夠製造出比完全隨機產生的人口，更適合於進行構建機率模型的初始人口。藉著適當的初始人口，機率模型構建式基因演算法的效率，應當除了在早期的執行程序可以有所增進以外，整體的執行和解題效能也應該有一定的加強效果。在本計劃中，我們將採用由 Harik 於 1999 年提出的延伸型緊緻基因演算法 (extended compact genetic algorithm)，做為研究的標的以及機率模型構建式基因演算法之代表。而在本計劃中提出之新式人口初始化方法，除了可以使用於延伸型緊緻基因演算法，亦可以使用於其他的機率模型構建式基因演算法以獲得效能之增進。本研究計劃的主要執行步驟包括以下四項：一、選用適當的區域搜尋技術以融入演算法之本體，二、決定區域搜尋技術之使用方式，三、對於隨機產生之個體數目與經由區域搜尋產生之個體數目的比例之研究，四、瞭解使用前置式區域搜尋技術以產生初始人口對於機率模型構建過程的效果和影響。我們可將本計劃所提出的人口初始化技術，視為一種效率增進技術，用以增進配合的演算法本身之效能；同時也可以做為讓我們更能在理論與實務上瞭解機率模型構建過程的工具和平台。
應用泛用型最佳化演算架構於無線網路傳輸技術最佳化問題之研究
(2010)
陳穎平
;
CHEN YING-PING
;
國立交通大學資訊工程學系（所）
於現代無線網路傳輸技術高度發展的今日，無論是電信業者或電腦網路中整體應用系統所涵蓋之部分，包括多媒體編碼，網路傳輸協定，同儕式平台架構，服務品質控制等方面，皆有許多最佳化問題亟待解決與處理。而最佳化技術的本身，更是現實世界中非常重要的課題，各種研究、工程領域中相當多的困難與問題，最終都需要仰賴最佳化技術來進行處理。因此本兩年期計畫的目標，即奠基於本實驗室所發展的泛用型最佳化架構，將之應用於各種數值型態問題 (例如：整數型問題、實數型問題、混合型問題… 等)。並針對無線傳輸控制、網路服務品質機制中各項最佳化問題加以量身訂製，建立適應性函數的數學模型、處理與解決，以促進無線網路傳輸技術之發展與進步。在此研究中，亦將藉由實驗結果來調校泛用型最佳化工具之設定，使整體架構與效能表現更趨於穩定。計畫第一年以LT 編碼 (LT code) 的編碼密度的機率模型 (Degree distribution) 為最佳化的問題標的。在此問題中，藉由設定不同的最佳化參數型別與個數來觀察泛用型最佳化演算法之行為，並進行分析與研究，逐步地改進最佳化演算法之性能。在完成最佳化演算架構之調校後，本計畫第二年再以無線網路傳輸系統中其他三種最佳化問題為目標，進行最佳化實驗，最後將各項參數結果加以整合，並實作於無線網路平台，加強無線傳輸之性能。
應用泛用型最佳化演算架構於無線網路傳輸技術最佳化問題之研究
(2011)
陳穎平
;
CHEN YING-PING
;
國立交通大學資訊工程學系（所）
於現代無線網路傳輸技術高度發展的今日，無論是電信業者或電腦網路中整體應用系統所涵蓋之部分，包括多媒體編碼，網路傳輸協定，同儕式平台架構，服務品質控制等方面，皆有許多最佳化問題亟待解決與處理。而最佳化技術的本身，更是現實世界中非常重要的課題，各種研究、工程領域中相當多的困難與問題，最終都需要仰賴最佳化技術來進行處理。因此本兩年期計畫的目標，即奠基於本實驗室所發展的泛用型最佳化架構，將之應用於各種數值型態問題 (例如：整數型問題、實數型問題、混合型問題… 等)。並針對無線傳輸控制、網路服務品質機制中各項最佳化問題加以量身訂製，建立適應性函數的數學模型、處理與解決，以促進無線網路傳輸技術之發展與進步。在此研究中，亦將藉由實驗結果來調校泛用型最佳化工具之設定，使整體架構與效能表現更趨於穩定。計畫第一年以LT 編碼 (LT code) 的編碼密度的機率模型 (Degree distribution) 為最佳化的問題標的。在此問題中，藉由設定不同的最佳化參數型別與個數來觀察泛用型最佳化演算法之行為，並進行分析與研究，逐步地改進最佳化演算法之性能。在完成最佳化演算架構之調校後，本計畫第二年再以無線網路傳輸系統中其他三種最佳化問題為目標，進行最佳化實驗，最後將各項參數結果加以整合，並實作於無線網路平台，加強無線傳輸之性能。
於 XCS 分類系統中導入容錯機制---實務影響與理論分析
(2007)
陳穎平
;
CHEN YING-PING
;
國立交通大學資訊工程學系(所)
XCS 是各種學習型分類系統 (Learning Classifier System, LCS) 中，現階段最重要的一個分支。XCS 是在學習型分類系統領域內，第一個被證明能夠提供精確而又最具一般性規則集合的分類系統。在 XCS 中，以精確度為基礎的適應值使 XCS 得以朝向高精確度、高指定性的規則前進；而持續的推廣壓力則可以保證 XCS 演化出最精確、最具一般性的資料模型。雖然 XCS 可以演化出精確的規則集合，然而，通常 XCS 所產生出的規則數量過多，以致於伴隨而生的資料模型可讀性極低。使用 XCS 來解問題的使用者，便無法由其中取得有意義的知識和結論。而在資料勘探 (Data Mining) 領域中之容錯觀念 (Fault Tolerance) 的啟發下，我們在此專題研究中，欲將容錯觀念融入 XCS 中，而提出一套稱為 XCS/FT (XCS with Fault Tolerance) 的新 XCS 運作架構。 XCS/FT 將容錯觀念導入 XCS 中，增加分類模型的可讀性，以期能提供使用者更有意義也更加有用、以規則型態表現的知識。在本專題研究的第一年中，我們將提供 XCS/FT 詳細的設計方案，並且實作出實際可行之 XCS/FT 系統。此外，我們也將設計一連串的實驗，來瞭解 XCS/FT 在對資料進行分類時的各項行為，並且觀察其運作的特性。在取得足夠的實驗結果和運作理解後，於第二年時，我們將針對先前於文獻中提出 XCS 的五項演化壓力: (1) 集合壓力; (2) 突變壓力; (3) 刪除壓力; (4) 吸收壓力; (5) 適應值壓力，來對 XCS/FT 進行徹底的研究與分析，以得到有意義和用途的理論結果。我們相信，本專題研究不但可對於使用 XCS 來解問題的使用者們有所幫助，更能對企圖以理論角度來瞭解 XCS 的理論研究者們，做出顯著的貢獻。
發展導引式演化策略演算法以處理實數參數之全域最佳化問題
(2006)
陳穎平
;
CHEN YING-PING
;
國立交通大學資訊工程學系(所)
演化策略(ES)為模仿自然界演化機制而發展出來的一種隨機搜尋的演算法，截至目前為止已成功地被應用在許多工程領域的實數參數最佳化問題上。不同於基因演算法 (Genetic Algorithm)，演化策略中特別強調利用突變 (mutation) 的演化機制來創造出新的子代人口 (offspring population)。一般來說，在演化策略實數表示法的基礎點上，可藉由在獨立個體表示法中加入一個平均值為 0、標準差為 1 的隨機高斯分佈變數 (Random Gaussian Distribution Variable) 來達成突變的效果。在演化策略的運算過程中脫離不了以隨機搜尋的策略經由適者生存的準則來促使整體人口往較好的方向移動，適當的突變強度 (mutation strength) 與演化前進路徑 (evolution path) 在演化策略上的效能與穩定度扮演著極大的影響力。此計劃的研究目的為針對於這兩點特性，進而發展出引導式演化策略演算法 (Particle Swarm Guided Evolution Strategy, PS-GES)，輔以粒子群優法 (Particle Swarm Optimization, PSO) 的基本概念和機率統計的技巧，企圖使搜尋過程中有能以更直接、更有效率的方式達到演化的目的。在初步的實驗結果顯示出吾人所研發的演算法相對於過去的方法已有顯著的成效。本計劃的主要研究步驟包含以下子主題: 一、演化策略與引導機制相互作用關係; 二、選用適當的機率統計技巧得以融入演算法本體; 三、引導式演化策略演算法之研發; 四、引導式演化策略演算法效能與穩定度之分析。本計劃所提出的引導式演化策略演算法，能為演化策略演算法開闢新的研究方向，此思維亦可應用在諸多最佳化演算法的效能改良上。本計劃將研究成果實作成一套最佳化的工具軟體，使其他領域的人員能方便地將其應用在實數參數最佳化問題上。
研究與發展專為無線網路系統客製化之最佳化演算架構
(2009)
陳穎平
;
CHEN YING-PING
;
國立交通大學資訊工程學系(所)
於現代無線網路傳輸技術高度發展的今日，無論是電信業者或電腦網路中整體應用系統所涵蓋之部分，包括多媒體編碼，網路傳輸協定，同儕式平台架構，服務品質控制等方面，皆有許多最佳化問題亟待解決與處理。而最佳化技術的本身，更是現實世界中非常重要的課題，各種研究、工程領域中相當多的困難與問題，最終都需要仰賴最佳化技術來進行處理。因此本計畫的目標，是奠基在演化計算 (Evolutionary Computation) 之富有彈性的最佳化方法論上，發展一套穩定、有效，且可客製化 (Customizable) 並用於各種數值型態問題 (例如：整數型問題、實數型問題、混合型問題… 等) 的最佳化演算法。並以之針對無線傳輸控制、網路服務品質機制中各項最佳化問題加以量身訂製，同時建立數學模型、處理與解決，以期發展可專門用於相關領域最佳化問題之客製最佳化系統 (Customized Optimization Framework)，以利無線網路技術之發展與進步。在第一年中，吾人將以原本設計用來處理二進位變數的延伸式精簡基因演算法 (ECGA) 為基礎，配合本實驗室過去所發展出的多項創新技術，包括整數型邊際機率模型 (iMPM)、隨選分割 (SoD) 技術…等，設計並實作出可進行客製化之彈性最佳化演算架構。在完成此最佳化演算架構之設計與實作後，本子計畫在第二年即以無線網路傳輸系統中所存在之數種最佳化問題為目標，對此最佳化系統進行調整、改變、與客製化。以此為研究方法與步驟，除了可以處理做為標的之無線網路最佳化問題外，更可達成本計畫中，發展專為無線網路技術訂製之最佳化演算架構的目標。
硬體惡意行為檢測技術研究
(2011)
陳穎平
;
CHEN YING-PING
;
國立交通大學資訊工程學系（所）
Short wave infrared (SWIR), read-out integrated circuit (ROIC) and focal plane array (FPA).
虛擬 MapReduce 叢集暨 Hadoop YARN 之排班機制與效能分析
(2015)
陳穎平
;
CHEN YING-PING
;
國立交通大學資訊工程學系（所）
鏈結學習型基因演算法之設計改進研究
(2004)
陳穎平
;
CHEN YING-PING
;
國立交通大學資訊工程學系
鍵結學習 (linkage learning) 功能，是用來使基因演算法 (Genetic Algorithms, GAs) 有能力偵測基因或變數間的相互影響之關聯性，並得以藉由此種資訊，正確而適當地安排基因或變數在染色體上的位置，以利產生出優良答案的建構基石 (building blocks) 之重要機制。因此，鏈結學習在基因演算法的設計中，一直是最重要的課題之一。由文獻中的各項研究可以得知，為了要使得基因演算法能夠發揮其正常的效能，在染色體上表現出來的建構基石必須群聚於同一區段。為了要讓基因演算法的使用者，可以免除必須為要處理的問題設計或選擇一個適當的染色體表現方式 (representation)，在基因演算法中使用各種鏈結學習技術，則是目前的解決方法之一。在現今文獻裡所提出的各項鏈結學習技術中，鏈結學習型基因演算法 (linkage learning genetic algorithm, LLGA) 使用了可供鏈結學習的演化式基因實體架構 (genotypic structure)，於演化計算的過程中利用特殊設計的表示機制來進行鏈結學習，即為本研究計畫中欲加以改進的演算法本體。儘管鏈結型基因演算法成功地在處理含有對目標函數值貢獻非常不一致的建構基石 (badly scaled building blocks) 的問題時，達成鏈結學習的目的並從而解決問題；但是在處理含有貢獻一致之建構基石 (uniformly scaled building blocks) 的問題時，其效能卻不如預期地好。目前，在文獻中有提出針對鏈結學習型基因演算法在處理含有貢獻一致之建構基石的問題時所遇到的困難，來進行解釋和說明的收斂時間 (convergence time) 理論模型。此一收斂時間理論模型除了用以解釋困難的徵結所在以外，同時也指出了鏈結學習型基因演算法在處理該類問題時，理論上的效能障礙。本研究計畫便是根據此收斂時間模型，改進目前鏈結學習型基因演算法之設計，以期能加強演算法的效能。本計畫著重於重新設計鏈結學習型基因演算法的表現方式、處理流程、以及執行機制，以避免於收斂時間模型中所指出之效能障礙的主要因素。此外，本計畫也會以實驗方式驗證所提出的新設計對鏈結學習型基因演算法效能之提昇。我們相信，本研究計畫除了計畫結果能改進鏈結學習型基因演算法在處理問題時的效能以外，也能於計畫的執行過程中，獲得對於該演算法的運作模式與過程有更進一步的理論瞭解及啟發。