SMART DATA-INTENSIVE SERVICE COMPOSITION IN CLOUD-EDGE CONTINUUM

La proliferazione di dispositivi IoT, dell’analisi in tempo reale e di applicazioni data-intensive ha messo in discussione l’adeguatezza del cloud computing tradizionale, che, pur offrendo elevata scalabilità, spesso non riesce a soddisfare i requisiti stringenti di latenza, banda e affidabilità richiesti dai servizi moderni. L’edge computing risponde parzialmente a tali esigenze avvicinando il calcolo alle sorgenti di dati, ma la sua intrinseca eterogeneità e le risorse limitate ne riducono l’applicabilità. Il paradigma emergente del Cloud-Edge Continuum promette di unificare le infrastrutture cloud ed edge, consentendo il posizionamento dinamico e la migrazione dei servizi attraverso ambienti eterogenei. Tuttavia, questo paradigma introduce anche nuove sfide di ricerca legate al posizionamento efficiente dei servizi, al deployment consapevole della sicurezza, alla modellazione espressiva dei workflow e all’ottimizzazione scalabile.
Gli approcci esistenti all’orchestrazione dei servizi nel continuum rimangono limitati sotto diversi aspetti. Il posizionamento dei servizi è ampiamente riconosciuto come un problema NP-hard e la maggior parte delle soluzioni euristiche o matematiche non scala a deployment di grandi dimensioni e dinamici. Le considerazioni di sicurezza e vulnerabilità sono spesso assenti dai modelli di placement, nonostante il loro impatto diretto sulla stabilità del sistema e sui costi di migrazione. I linguaggi tradizionali di descrizione dei workflow sono stati progettati per sistemi centralizzati e non sono in grado di catturare l’adattabilità a runtime, il deployment polimorfico e le annotazioni di sicurezza richieste in ambienti eterogenei. Il reinforcement learning è emerso recentemente come una direzione promettente per l’ottimizzazione del placement, ma molti studi si basano esclusivamente su simulazioni, non integrano vincoli multi-obiettivo e di sicurezza e mancano di validazione in contesti reali. Queste lacune hanno motivato la ricerca condotta in questa tesi, che mira a consentire una composizione dei servizi intelligente, sicura e adattiva nel Cloud-Edge Continuum.
La tesi presenta quattro contributi principali. In primo luogo, introduce un framework di deployment QoS-aware che modella servizi e infrastrutture tramite grafi annotati e genera automaticamente ricette di deployment, garantendo al contempo la preservazione di requisiti non funzionali quali latenza, confidenzialità e integrità. In secondo luogo, propone una metodologia di placement e migrazione consapevole delle vulnerabilità, che integra punteggi di vulnerabilità e funzioni di costo sensibili alla migrazione nelle decisioni di placement, mitigando i rischi di instabilità e di migrazioni ricorsive. In terzo luogo, sviluppa un linguaggio di descrizione dei workflow polimorfico (cWDL), che estende i modelli di workflow esistenti con annotazioni di QoS e costrutti di coreografia, consentendo un deployment adattivo, sicuro e polimorfico su infrastrutture eterogenee. Questo linguaggio è supportato da un motore di deployment che traduce workflow astratti in artefatti eseguibili per piattaforme eterogenee quali Kubernetes e Docker. Infine, la tesi esplora il reinforcement learning come strategia di ottimizzazione del placement, formulando il problema come un Markov Decision Process e applicando tecniche avanzate di deep reinforcement learning, in particolare Maskable PPO, per ottenere un’ottimizzazione multi-obiettivo sotto vincoli di sicurezza.
Valutazioni sperimentali estensive validano tali contributi. Il framework QoS-aware dimostra un deployment efficiente su infrastrutture eterogenee. La metodologia vulnerability-aware raggiunge livelli superiori di sicurezza e stabilità rispetto agli approcci esistenti.