Rhizomatic Cognitive Computing Continuum

Abstract

The rapid expansion of the cloud-edge computing continuum, fueled by the emergence of the Internet of Everything (IoE), has led to the development of highly heterogeneous, large-scale, and dynamic infrastructures. These environments are expected to support a wide spectrum of distributed applications—ranging from augmented and virtual reality and real-time multiplayer gaming to industrial IoT systems with strict latency constraints—operating across geographically dispersed and topologically complex ecosystems. Traditional infrastructure management approaches often rely on fragmented or isolated cognitive functions that fail to model or leverage the deep interdependencies inherent in such environments. This dissertation introduces a novel architectural paradigm, the Rhizomatic Cognitive Computing Continuum, which redefines how knowledge is organized and intelligent decision-making is manifested across the multilayered cloud-edge landscape. Central to this approach are two key concepts—rhizome and strata—adapted from the philosophical framework of Deleuze and Guattari. The rhizome serves as a dynamic, decentralized hypergraph that represents the entire continuum, where nodes capture heterogeneous informational entities—such as services, nodes, users, or contexts—and edges encode essential relationships, such as spatial, temporal, or causal links. Within this structure, strata emerge as modular, composable layers of cognitive functionality. Each stratum encapsulates a distinct cognitive task and reflects its scope of operation (e.g., local or global), forming an evolving cognitive stack. A key contribution of this dissertation lies in the design and implementation of deep learning models based on Graph Neural Networks (GNNs), each tailored to a specific cognitive stratum and operating on the shared hypergraph. For instance, the mobility prediction layer leverages the WEST GCN-LSTM architecture, integrating region- and population-sensitive policies to accurately forecast user movements. The local proactive autoscaling layer uses an encoder-decoder GNN to predict resource usage across time horizons, capturing local dependencies for efficient real-time response. The global autoscaling layer introduces GraphOpticon, a GNN system that aggregates data across clusters to optimize scaling actions globally. The service image placement layer utilizes GNOSIS, a hybrid GNN and reinforcement learning model that formulates deployment as a minimum vertex cover problem, reducing resource usage and latency. Finally, the SLA violation prediction layer employs composite GNN architectures that synthesize temporal, topological, and semantic information to enable accurate early warnings of service-level breaches. In addition, this work proposes a robust federated mechanism for managing cognitive strata across clusters, using the Cluster API and Liqo to orchestrate and interconnect multiple computing domains, ensuring continuous and consistent operation even in highly dynamic or fragmented environments. By decoupling cognitive functions into modular strata and grounding them within a semantically rich, shared rhizomatic space, the Rhizomatic Cognitive Computing Continuum addresses the limitations of conventional approaches. It enables scalable, context-aware, and synergistic decision-making aligned with the requirements of next-generation cyber-physical systems. This dissertation offers not only a conceptual reframing of the problem space but also practical implementations of the strata as deployable and interoperable cognitive agents, laying the foundation for a more intelligent and self-adaptive computing continuum.

Η ραγδαία ανάπτυξη του υπολογιστικού συνεχούς cloud-edge, ενισχυμένη από την εξάπλωση του Διαδικτύου των Πάντων (Internet of Everything – IoE), έχει οδηγήσει στη δημιουργία ιδιαίτερα ετερογενών, μεγάλης κλίμακας και δυναμικών υποδομών. Οι υποδομές αυτές καλούνται να υποστηρίξουν ένα ευρύ φάσμα κατανεμημένων εφαρμογών (από επαυξημένη πραγματικότητα και διαδραστικά παιχνίδια σε πραγματικό χρόνο έως βιομηχανικά συστήματα IoT με αυστηρούς χρονικούς περιορισμούς) που λειτουργούν σε γεωγραφικά κατανεμημένα και τοπολογικά σύνθετα περιβάλλοντα. Οι παραδοσιακές προσεγγίσεις διαχείρισης βασίζονται συνήθως σε απομονωμένες γνωσιακές λειτουργίες, οι οποίες αδυνατούν να αποτυπώσουν και να αξιοποιήσουν τις βαθιές αλληλεξαρτήσεις που χαρακτηρίζουν αυτά τα περιβάλλοντα. Η παρούσα διατριβή προτείνει ένα νέο αρχιτεκτονικό πρότυπο, το Ριζωματικό Γνωσιακό Υπολογιστικό Συνεχές (Rhizomatic Cognitive Computing Continuum), το οποίο επαναπροσδιορίζει τον τρόπο με τον οποίο οργανώνεται η γνώση και εκδηλώνεται η ευφυής λήψη αποφάσεων στο πολυεπίπεδο υπολογιστικό τοπίο του cloud-edge. Κεντρικές έννοιες της προσέγγισης αυτής αποτελούν το ριζώμα και τα γνωσιακά στρώματα (strata), εμπνευσμένα από το φιλοσοφικό πλαίσιο των Deleuze και Guattari. Το ριζώμα λειτουργεί ως ένας δυναμικός, αποκεντρωμένος υπεργράφος, ο οποίος αναπαριστά οντότητες όπως υπηρεσίες, κόμβους, χρήστες ή συμφραζόμενα, και ενσωματώνει χωρικές, χρονικές και αιτιακές σχέσεις. Πάνω σε αυτήν τη βάση, αναδύονται τα γνωσιακά στρώματα ως συνθέσιμα επίπεδα λειτουργικότητας που επιτελούν διακριτές γνωσιακές διεργασίες. Αυτή η διατριβή συμβάλλει στον σχεδιασμό και την υλοποίηση εξειδικευμένων μοντέλων βαθιάς μάθησης, βασισμένων σε νευρωνικά δίκτυα γράφων (Graph Neural Networks – GNNs), τα οποία εφαρμόζονται σε κάθε επιμέρους στρώμα αξιοποιώντας τον κοινό υπεργράφο. Στο στρώμα πρόβλεψης κινητικότητας, το μοντέλο WEST GCN-LSTM εφαρμόζει πολιτικές διαμορφωμένες με βάση τις περιοχές και τους πληθυσμούς για την πρόβλεψη μετακινήσεων. Στο τοπικό στρώμα αυτόματης προληπτικής κλιμάκωσης, ένα μοντέλο GNN τύπου encoder-decoder επιτρέπει την πρόβλεψη χρήσης πόρων σε πολλαπλά χρονικά βήματα και την αποδοτική απόκριση σε αυξημένο φορτίο. Το καθολικό στρώμα κλιμάκωσης εισάγει το GraphOpticon, ένα GNN σύστημα που ενοποιεί δεδομένα από πολλαπλά clusters για την καθολική βελτιστοποίηση ενεργειών. Το στρώμα τοποθέτησης υπηρεσιών αξιοποιεί το GNOSIS, ένα υβριδικό GNN και ενισχυτικής μάθησης μοντέλο, που μετατρέπει την τοποθέτηση υπηρεσιών σε πρόβλημα κάλυψης κορυφών με στόχο τη μείωση καθυστέρησης και δέσμευσης πόρων. Τέλος, το στρώμα πρόβλεψης παραβίασης SLA ενσωματώνει πολυδιάστατη πληροφορία — χρονική, τοπολογική και σημασιολογική — για την πρώιμη ανίχνευση κινδύνων παραβίασης εγγυήσεων. Παράλληλα, η διατριβή προτείνει έναν ισχυρό μηχανισμό ομοσπονδιοποιημένης διαχείρισης των γνωσιακών στρωμάτων, αξιοποιώντας το Cluster API και το Liqo για δυναμική ενορχήστρωση, εικονικοποίηση και διαλειτουργικότητα μεταξύ clusters. Με αυτόν τον τρόπο, διασφαλίζεται η συνεχής, ευέλικτη και συνεπής λειτουργία του συστήματος ακόμα και σε ασταθή ή κατακερματισμένα υπολογιστικά περιβάλλοντα. Μέσω της αποσυσχέτισης των γνωσιακών λειτουργιών σε αρθρωτά στρώματα και της θεμελίωσής τους σε έναν κοινό, σημασιολογικά πλούσιο ριζωματικό χώρο, το προτεινόμενο μοντέλο υπερβαίνει τους περιορισμούς των συμβατικών προσεγγίσεων. Παρέχει ένα συνεργιστικό πλαίσιο λήψης αποφάσεων, ευθυγραμμισμένο με τις ανάγκες των συστημάτων κυβερνοφυσικής επόμενης γενιάς. Η διατριβή προσφέρει όχι μόνο ένα εννοιολογικό υπόδειγμα, αλλά και λειτουργικές υλοποιήσεις των γνωσιακών στρωμάτων ως αναπτύξιμων και διαλειτουργικών πρακτόρων, θέτοντας τις βάσεις για ένα ευφυές και αυτοπροσαρμοζόμενο υπολογιστικό συνεχές.