Дисертації (ОТ)
Постійне посилання зібрання
У зібранні розміщено дисертації, які захищені працівниками кафедри.
Переглянути
Перегляд Дисертації (ОТ) за Ключові слова "artificial intelligence"
Зараз показуємо 1 - 1 з 1
Результатів на сторінці
Налаштування сортування
Документ Відкритий доступ Метод підвищення ефективності розгортання компонентів платформи вбудованих систем(КПІ ім. Ігоря Сікорського, 2025) Русінов, Володимир Володимирович; Стіренко, Сергій ГригоровичРусінов В.В. Метод підвищення ефективності розгортання компонентів платформи вбудованих систем. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 123 – Комп’ютерна інженерія з галузі знань 12 – Інформаційні технології. – Національний Технічний Університет України «Київський Політехнічний Інститут імені Ігоря Сікорського», Київ, 2025. Дисертаційна робота присвячена розробці методу розгортання компонент платформи для вбудованих систем. По результатам роботи було розроблено метод розгортання компонент ШІ-платформи на основі онтологій процесів, які включають в себе програмно-апаратні рішення на основі поєднання можливостей вбудованих систем та хмарних систем, та процес розгортання та моніторингу компонент платформи вбудованих, який використовує модифікований алгоритм із застосуванням CI/CD конвеєра для постійної підтримки працездатності платформи з урахуванням конкурентної зборки та прунінгу контейнерів. Сучасний прогрес в сфері розробки вбудованих пристроїв зумовлює попит на їх широке впровадження в різних сферах, наприклад в системах відеоспостереження, автономних автомобілях, роєвий інтелект в безпілотних апаратах, тощо. Це зумовлює попит на розробку метода розгортання компонент платформи вбудованих пристроїв, який дозволяє швидко проводити синхронізацію компонент платформи, враховуючи особливості задач ШІ, такі як необхідність оновлення моделі з появою нових більш точних моделей та високої потреби в ресурсах системи. Використано процес MLOps в якості основи методу розгортання компонент платформи вбудованих систем. Цей підхід використовується для інтеграції машинного навчання в цикли розробки програмного забезпечення та забезпечення ефективного управління процесами, що включають навчання моделей, їх тестування, розгортання та моніторинг. Впровадження MLOps дозволяє оптимізувати взаємодію між різними етапами життєвого циклу машинного навчання, що, в свою чергу, забезпечує високий рівень автоматизації та знижує ймовірність помилок. Основою цієї методології є забезпечення безперервної інтеграції та безперервне постачання (CI/CD) моделей ШІ, а також можливість їх швидкої адаптації до змінюваних умов та вимог. Проаналізовано, що більшості сучасних систем та рішень на основі MLOps притаманне використання ресурсно-інтенсивних архітектурних рішень, як використання Cloud або спеціалізованого обладнання. Розроблено метод розгортання компонент платформи вбудованих системи на основі онтологій процесів. Онтології процесів, представлені через графові структури, такі як дерева Бема, дозволяють формалізувати концепти і їх взаємодії в рамках систем, що складають платформу, що, у свою чергу, сприяє точному відображенню семантики всіх системних складових. За допомогою таксономій і λ-термів, що реалізують семантичну зв'язність, можна детально описати взаємодії між компонентами, що дозволяє не тільки знижувати ймовірність помилок, але й підвищувати ефективність процесів, що відбуваються в межах компонентів платформи вбудованих систем. На основі запропонованого методу можна розгорнути компоненти тестової платформу, готові до практичного використання та використання з відповідним апаратним та програмним забезпеченні, у відповідності з описаними вимогами. Удосконалено конвеєр CI/CD під процес MLOps для запропонованого методу розгортання компонент платформи на основі вбудованих систем. Використання конвеєру CI/CD для розгортання компонент, відповідальних за задачі ШІ, на основі вбудованих систем мають особливості які вимагають модифікацію процесу, серед іншого, децентралізовану зборку в умовах гетерогенної природи системи, автоматизоване тестування точності моделі, моніторинг вбудованих пристроїв і аналіз та верифікацію продуктивності моделі. Використання конвеєру CI/CD у сукупності з методами оптимізації зборки контейнеру, дозволяють зменшити час розгортання системи в порівнянні з системами аналогічними підходами висвітленими в літературі, визначеними як базові. На основі запропонованих підходів з використання прунінгу та конкурентної зборки, було підвищено ефективність процесу розгортання компонентів платформи за рахунок зменшення часу зборки контейнерів. За допомогою процесу прунінгу, можливо досягнути меншого розміру контейнеру при більшій швидкості зборки, який включає в себе видалення додаткових залежностей на етапі зборки контейнеру та на етапі розгортання. Даний метод показує прискорення зборки 5.79%, в порівнянні з запропонованими рішеннями. Прискорено час зборки контейнеру до 16.24%, порівняно з існуючими рішеннями, при зменшенні використання пам’яті на 11.15%. Розроблено програмний додаток для перевірки та демонстрації роботи комплексного методу для розгортання системи на прикладі деревовидної структури з дебруйнівськими зв’язками. Програмний додаток дає можливість перевірити роботу платформи від початку до кінця та протестувати можливості роботи в умовах високої завантаженості системи. За допомогою даного підходу, платформа дозволяє виконувати переналаштування у разі відмови певного вузлу, тим самим перенаправивши потік запитів на інший вузол, без повної зупинки системи на переналаштування. В ході тестування було використано декілька різних моделей штучної нейронної мережі (ШНМ): MobileNet, ResNet та InceptionNet на датасеті ANIMAL10N. Проведене тестування підтвердило очікуване функціювання системи та тестування навантаження встановило можливість використання системи в реальному часі при високому вхідному потоку запитів. Аналіз результатів показує, що платформа здатна швидко адаптуватись до зміни моделі ШНМ та продовжити роботу без відмови.