Written by  2017-02-21

Defesa de Tese PPGETI: "Workload Modeling and Prediction for Resources Provisioning in Cloud"

(0 votes)

Título: Workload Modeling and Prediction for Resources Provisioning in Cloud
Aluna: Deborah Maria Vieira Magalhães

Data: 23/02/2017
Horário: 9h
Local: Sala de Seminários - Bloco 942-A - Campus do Pici

Resumo: A avaliação de políticas de gerenciamento de recursos em ambientes de nuvem é desafiadora, uma vez que as nuvens estão sujeitas a demanda variável proveniente de usuários com perfis diferentes e requisitos de Qualidade de Serviço (QoS). Fatores como a sobrecarga da camada de virtualização, registros de rastreio insuficientes disponíveis para análise e cargas de trabalho misto de uma ampla variedade de aplicativos em um ambiente heterogêneo frustam a modelagem e caracterização de aplicativos hospedados na nuvem. Neste contexto, a modelagem e caracterização da carga de trabalho é o passo fundamental na sistematização da análise e simulação do desempenho das políticas de gestão de recursos computacionais e uma estratégia particularmente útil para a implementação física das nuvens. Nesta tese de doutorado, propomos uma metodologia para modelagem de carga de trabalho e caracterização para criar perfis de utilização de recursos em Cloud. Os padrões de comportamento da carga de trabalho são identificados e modelados na forma de distribuições estatísticas que são utilizadas por um controlador preditivo para estabelecer a relação complexa entre a utilização dos recursos ea métrica do tempo de resposta. Para este fim, o controlador faz ajustes na utilização de recursos para manter o tempo de resposta experimentado pelo utilizador dentro de um limiar aceitável. Assim, nossa proposta apóia diretamente as políticas de provisionamento de recursos de Qualidade de Experiência (QoE). A metodologia proposta foi validada através de duas aplicações distintas com características distintas: uma aplicação científica ao diagnóstico de doenças pulmonares ea aplicação web que emula um site de leilões. Os modelos de desempenho foram comparados com os dados de monitoramento através de métodos gráficos e analíticos para avaliar sua precisão, e todos os modelos apresentaram um erro percentual menor que 10 \%. O controlador preditivo foi capaz de manter dinamicamente o tempo de resposta próximo da trajetória esperada sem violação de SLA com um erro absoluto médio $ MAPE = 4.36 \% $.
 
Banca:

  •     Presidente - Danielo G. Gomes (Orientador)
  •     Externo à UFC - Paulo Romero Martins Maciel  - Cin/UFPE
  •     Externo à UFC - Daniel Cardoso Moraes de Oliveira - IC/UFF
  •     Externo ao PPGETI - Rossana Maria de Castro Andrade
  •     Interno ao PPGETI - José Marques Soares

socialshare

share on facebook share on linkedin share on pinterest share on youtube share on twitter share on tumblr share on soceity6

Quer nos conhecer? Entre em contato conosco, será um prazer conversar com você!

contate-nos

Português (Brasil) | Inglês (EUA)