Autores

7199
2941,131,3019
7200
2941,131,3019
7201
Sandip Kundu
(Co-orientador)
2941,131,3019

Informações:

Publicações do PESC

Título
Machine Learning Exploration for Emerging Storage and Networking Applications
Linha de pesquisa
Arquitetura e Sistemas Operacionais
Tipo de publicação
Tese de Doutorado
Número de registro
Data da defesa
22/11/2022
Resumo

O desenvolvimento de tecnologias está acontecendo cada vez mais rápido, o que está criando uma maior produção de dados, que por sua vez acabam gerando novos problemas. Estes problemas possuem muitas variáveis para modelar, o que aumenta sua complexidade, ocasionando soluções tradicionais não serem escaláveis para as novas tecnologias. Machine Learning (ML) oferece uma possível solução para aprender tal complexidade e se auto-ajustar com novas informações recebidas. Com isso em mente, esta tese foca em problemas diferentes situados em três diferentes tecnologias recentes propondo diferentes soluções e estudos através de ML. Primeiro, é realizada uma análise de Solid State Drives (SSDs), mais especificamente um problema de durabilidade de mídias NAND Flash e o deslocamento de suas distribuições de voltagem. Este trabalho também avalia uma variação recente de SSDs que adiciona recursos de processamento in-situ. A avaliação usa vários algoritmos de ML de object tracking para estudar diversas métricas de desempenho. O texto também incorpora o problema de controle de admissão para redes de próxima geração relacionado ao novo recurso chamado Network Slicing introduzido no 5G atual e que deve ser aprimorado ainda mais para as gerações futuras. O autor formaliza um ambiente dinâmico e propõe uma solução de modelo de ML com o objetivo de maximizar um objetivo importante para o provedor de recursos. Por fim, o problema de detecção de Fake News é sujeito a diversas questões como censura e confiança na previsão. Portanto, com o objetivo de melhorar a confiabilidade nos classificadores de Fake News existentes, este trabalho apresenta uma metodologia para aumentar a transparência dos modelos caixa-preta de ML que utilizam redes feed-forward.

Abstract

New technologies generate new problems and complicate existing ones. Such problems come with too many variables to be modeled and traditional solutions hardly scale. Machine Learning (ML) may provide a doorway for learning new variables and adjusting automatically to incoming new information. With that in mind, this thesis focuses on three different developing technologies. It proposes different solutions and studies by using ML to solve different problems that arose due to the complexity of the data and technology itself. We first look into Solid State Drives (SSDs), more precisely one reliability problem related to NAND Flash Media and shifting voltage distributions. This work also evaluates a recent variation of SSDs called Computation Storage Devices that powers SSDs with in situ processing capabilities. The evaluation uses several object tracking ML algorithms to study different performance metrics such as power consumption and throughput. The text also incorporates the Next-Generation Networks admission control problem related to the Network Slicing feature introduced in current 5G networks and is expected to be improved further for future generations. The author formalizes a dynamic environment and proposes an ML model solution to maximize an objective important to the provider of resources. Finally, the problem of Fake News detection incurs several issues such as censorship and prediction trust. Therefore, to improve trust in existing Fake News classifiers, this work also introduces a methodology for increasing transparency of black-box feed-forward ML models.

Arquivo
Topo