Dissertação
A machine learning approach to predict Virtual Machine Workload EVALUATED
Cada vez mais as empresas estao a migrar para a cloud devido ˜ as v ` arias vantagens que a cloud ´ oferece, como a elasticidade. Elasticidade permite que as empresas adquiram ou libertem recursos computacionais com base nas suas necessidades, sem intervenc¸ao humana, com a ajuda do mecan- ˜ ismo de auto-scaler. O mecanismo mais comum e o auto-scaler reativo que ´ e muito limitado e por vezes ´ ineficaz, uma vez que o SLA e violado e os recursos s ´ ao subutilizados. A alternativa ˜ e o auto-scaler ´ preditivo que preve qual o workload futuro das VMs, de forma a estarem preparadas antes dos pedidos ˆ ocorrerem. Microsoft Azure e Google Cloud nao fornecem esta ferramenta e somente recentemente ˜ e que a Amazon AWS o fez. Uma vez que n ´ ao h ˜ a uma maneira concreta nem certa de prever qual ´ o workload das VMs, principalmente porque os algoritmos de aprendizagem funcionam melhor em um conjunto de condic¸oes e mal noutro, a soluc¸ ˜ ao proposta visa verificar se a combinac¸ ˜ ao de tr ˜ es algorit- ˆ mos de aprendizagem diferentes (ARIMA, LSTM e Random Forest) conseguem prever o workload das VM, em termos de metrica de CPU, melhor do que cada um dos algoritmos individualmente. Os re- ´ sultados comprovaram que a combinac¸ao dos algoritmos, em tr ˜ es estrat ˆ egias diferentes, proporcionou ´ melhores resultados do que em cada um dos algoritmos individualmente.
janeiro 18, 2021, 9:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
André Ferreira Ferrão Couto e Vasconcelos
Departamento de Engenharia Informática (DEI)
Professor Auxiliar