Year: 2025
Type: dissertation
Abstract: Die moderne Welt ist ohne effiziente Kommunikation und Datenverarbeitung zu zwischenmenschlichen Interaktionen und Unterstüzung unternehmerischer Prozessen undenkbar geworden. Kommerzielle Entwicklungen konzentrieren sich auf die Optimierung der gesamten Pipeline, von Datenerfassungsgeräten über Schaltkreise in Chips bis hin zu verschiedenen Zwischentechnologien. Drahtlose Konnektivität hat sich als vielseitige Verbindungskomponente in diversen Anwendungen etabliert, wobei unvorhersehbare Übertragungsverluste den Einsatz von Vorwärtsfehlerkorrektur (FEC) zur Erhöhung der Zuverlässigkeit erforderlich machen. Random Linear Network Coding (RLNC) implementiert Redundanz auf Paketebene in generationsbasierten Verteilungsschemata. Diese Dissertation entwickelt ein einheitliches Framework zur Analyse der RLNC-Leistung auf konsistente, faire und anpassbare Weise. Eines validierter, konsistenter Simulator wird für eine Optimierungsmethode verwendet, die auf spezifische Szenarien und Anwendungsfälle zugeschnitten ist. Ein Deep Reinforcement Learning (DRL) Agent interagiert direkt mit dem Simulator, um optimale Codierungsstrategien abzuleiten. Auf Empfängerseite hat Cloud Computing die Datenverarbeitung massiv zentralisiert und treibt Effizienzgewinne durch Innovationen in Kapselung, Orchestrierung und Isolation voran. Traditionelle Cloud-Orchestrierung bleibt weitgehend reaktiv, was diese Arbeit dazu veranlasst, einen prädiktiven Mechanismus zur Skalierung vorzuschlagen, der in einer führenden Open-Source-Plattform evaluiert wird. In Telekommunikationsnetzen balanciert Multi- Access Edge Computing (MEC) Latenz und Kapazität, indem Aufgaben an Edge-Knoten ausgelagert werden können. Nutzermobilität führt zu Herausforderungen wie Batterieentladung und Nebenbedingungen durch Handovers oder Interferenzen. Diese Arbeit analysiert MEC-Szenarien mit mehreren Nutzern und heterogener Hardware, etwa fortgeschrittene Systems-on-Chip (SoCs) mit unterschiedlichen Fähigkeiten. Sie optimiert die Energieaufwendung unter Einhaltung von Schranken für Fertigstellungszeiten und gewährleistet Fairness zwischen Nutzern. Diese Dissertation verbindet Kommunikations- und Rechneroptimierungen und demonstriert, wie RLNC-Verbesserungen sowie prädiktive Provisionierung zu resilienten, energieeffizienten verteilten Systemen beitragen können.:1 Introduction Motivation Objectives Structure 2 Background Selected Milestones in Communication Technology Select Milestones of Computation Economies of Scale Network Model Cloud Model 3 Reliable Communication Background Random Linear Network Codes Search for optimal configuration of RLNC Codes Search for optimal RLNC Schemes 4 Optimising Multi-Access Edge Computing Background System Model Accelerator-Aware Computation Offloading under Timing Constraints Proposed Solution Numerical Results Conclusion 5 Cloud Computing and Communication Modern Cloud Deployment Paradigms Uncertainty Quantification Scaling of Cloud Computing Functionality Experiments Predictive Scaling Results Conclusion 6 Conclusion
Author: Latzko, Jan Vincent
Language: English
Subfield: Information Systems
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7222379934