Por favor, use este identificador para citar o enlazar este ítem:
http://cicese.repositorioinstitucional.mx/jspui/handle/1007/3627| Confiabilidad y rendimiento adaptativo de un almacenamiento en la multi nube con redes neuronales Reliability and Adaptive performance of multi-cloud storage with neural networks | |
| Israel Rescalvo Anastacio | |
| Andrey Chernykh | |
| Acceso Abierto | |
| Atribución | |
| almacenamiento en la nube, optimización multi objetivo, Sistema Numérico de Residuo, seguridad, esquemas de compartición de secretos Multi-objective optimization, cloud storage, Residue Number System, security, Secret Sharing Schemes | |
| El uso de los servicios en la nube se ha incrementado en los últimos años por lo que usuarios, industrias y gobiernos depositan grandes conjuntos de datos en la infraestructura de los proveedores de servicios (CSP, por sus siglas en inglés). No obstante, algunos servicios como el almacenamiento como servicio involucran severos riesgos de accesibilidad, integridad y privacidad de datos. Una solución a dichos inconvenientes está dada por el uso de múltiples CSPs, evitando así que un único CSP cuente con acceso total a la información confidencial. En este trabajo de tesis, se propone el análisis, diseño e implementación de una red apuntadora para configurar un sistema redundante de números residuales con aproximación de rango (AR-RRNS, por sus siglas en inglés) que permite distribuir la información en 𝑛 CSPs y recuperar la misma solo con 𝑘 de ellos. La red neuronal propuesta busca minimizar la probabilidad de pérdida de información y redundancia, ambos objetivos están en conflicto y es fundamental determinar una adecuada configuración de (𝑘, 𝑛) donde 2 ≤ 𝑘 ≤ 𝑛. Asimismo, la red permite seleccionar CSPs específicos y asignarles un segmento del total de la información. La red apuntadora utiliza un modelo codificador decodificador y un sistema de atención entrenados mediante aprendizaje por refuerzo. Esta estructura le permite a la red afrontar cambios en los parámetros de los CSPs como la probabilidad de error. Además, la mayoría de los cálculos se realizan de manera offline. A partir de los resultados, se llevó a cabo un análisis comparativo con diversas versiones de algoritmos genéticos y el algoritmo de ramificación y poda, todos ellos forman parte fundamental del estado del arte en la optimización. El análisis muestra que la red apuntadora es más eficiente en tiempo que los demás algoritmos y genera soluciones similares en calidad al algoritmo genético simple pero la diversidad es menor con respecto a los algoritmos basado en población. The use of cloud services has increased in recent years as users, industries and governments deposit large data sets in the infrastructure of service providers (CSP). However, some services such as storage as a service involve severe data accessibility, integrity and privacy risks. A solution to these drawbacks is given by the use of multiple CSPs, thus preventing a single CSP from having full access to confidential information. In this thesis work, the analysis, design and implementation of a pointing network is proposed to configure a redundant system of residual numbers with range approximation (AR-RRNS) that allows to distribute the information in 𝑛 CSPs and recover the same only with 𝑘 of them. The proposed neural network seeks to minimize the probability of information loss and redundancy, both objectives are in conflict and it is essential to determine an adequate configuration of 2 ≤ 𝑘 ≤ 𝑛. Likewise, the network allows selecting specific CSPs and assigning them a segment of the total information. The pointer network uses an encoder-decoder model and attention system trained by reinforcement learning. This structure allows the network to face changes in the parameters of the CSPs such as the probability of error. Also, most of the calculations are done offline. Based on the results, a comparative analysis was carried out with different versions of genetic algorithms and the branching and bound algorithm, all of which are a fundamental part of the state of the art in optimization. The analysis shows that the pointing network is more efficient in time than the other algorithms and generates solutions similar in quality to the simple genetic algorithm, but the diversity is lower with respect to population-based algorithms. | |
| CICESE | |
| 2021 | |
| Tesis de maestría | |
| Español | |
| Rescalvo Anastacio, I. 2021. Confiabilidad y rendimiento adaptativo de un almacenamiento en la multi nube con redes neuronales. Tesis de Maestría en Ciencias. Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California. 121 pp. | |
| FIABILIDAD DE LOS ORDENADORES | |
| Aparece en las colecciones: | Tesis - Ciencias de la Computación |
Cargar archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| tesis_Israel Rescalvo Anastacio_29 oct 2021_BIB.pdf | Versión completa de la tesis | 4.24 MB | Adobe PDF | Visualizar/Abrir |