人工智能-远程-1个月

项目编号：【159889】
研究性个人项目急需帮助。
需要机器学习及分布式系统背景, RUST基本知识及python编程经验。
ERDOS github: https://github.com/erdos-project/erdos

问题描述:
级联性能下降在自动驾驶的分布式系统很常见，如果没有人手动阻止，会将问题蔓延到整个分布式系统，并且可能未收到警告就出现级联故障。

计划：
在ERDOS上创建用ML技术测试分布式系统各部分延迟和原因的程序（可以参考附件中SEER）
ERDOS的优势是通过最大限度地减少由于消息到达而调用计算时的系统开销时间损失，使自动驾驶分布式系统能够满足更多的最后期限。目前打算通过添加机器学习组件减少分布式系统中非消息到达引起的延迟，从而增强ERDOS性能。
计划使用附件中提到的SEER机器学习设计思路为ERDOS添加发现，预测，避免QoS违规的机器学习组件(参考seer的部分思想，但是不一定完全采纳。肯定需要修改ERDOS源代码，无法只添加应用层机器学习组件)。
当添加了ML组建后，对于非message arrival引起的延迟，可以用其得出延迟出现原因
如果源代码不好修改，可以考虑只为部分ERDOS分布式系统添加此机器学习组件，但仍需得到延迟降低结果并发现解决级联问题。

实验：
完成设计，参考ERDOS的实验，对比下添加了ML组件后的ERDOS与原版ERDOS，ROS，ROS2的性能区别，能发现延迟出现原因并在实验中延迟延迟有所下降即可。
因为ERDOS 理论是用在车载系统上的，所以对延迟很敏感，最大的优势也是低延迟。所以在设计性能可预测性ML构架时，尽量不要添加太大延迟。实时性和低延迟比较重要的，这样实验结果才好。

在原有SEER中，deathstarbench里的微服务存在pattern可以让ml去训练，换到ERDOS里，就不存在这样的pattern了。为解决这个问题，可尝试在ERDOS上搭载KITTI等自动驾驶数据库数据进行训练，这个需要写手考虑下。

最终部署在AWS或阿里云上。
时间最多2月，价格4到5万