Dissertação

{en_GB=Lynceus: Long-Sighted, Budget-Aware Online Tunning of Cloud Applications} {} EVALUATED

{pt=Os fornecedores de serviços de computação na nuvem têm vindo a aumentar a diversidade das plataformas que disponibilizam, nomeadamente em termos de poder de cálculo, quantidade de memória, capacidade de armazenamento e de largura de banda da rede. Por um lado, esta diversidade oferece mais opções ao utilizador mas, por outro, torna a tarefa de escolher a configuração certa muito mais complexa, visto que configurações com desempenho semelhante podem ter custos muito diferentes, e nem sempre é fácil antecipar qual a configuração mais barata que satisfaz os requisitos da aplicação. Neste contexto, o estudo de técnicas que permitam automatizar o processo de seleção da melhor configuração para executar uma dada aplicação na nuvem tem vindo a ganhar relevo. As abordagens recentes para identificar a configuração ótima para correr trabalhos na nuvem baseiam-se numa fase de exploração durante a qual a aplicação é executada num conjunto diverso de configurações. Estes sistemas conseguem encontrar a configuração próxima da ótima. No entanto, não consideram o custo da fase de exploração, que pode ser significativo. Esta dissertação estuda técnicas de procura que têm em conta o custo de exploração. Propomos um algoritmo que permite reduzir o custo da exploração através de uma criteriosa escolha das configurações a experimentar, que tem em conta o custo de cada experiência e a contribuição esperada da mesma para a exatidão do modelo que prevê as próximas explorações. Os resultados da nossa avaliação mostram que a solução proposta é capaz de encontrar configurações perto da ótima com baixo custo., en=In recent years we have witnessed a trend for the cloud providers to increase the diversity of the platforms they offer, namely with respect to computational power, memory, storage capacity and network bandwidth. If it's true that this diversity allows users to choose amongst a broader set, it is also a true that such diversity renders the process of selecting the right configuration much more complex. This happens because configurations with similar performance may possess very different costs. Moreover, it is not always easy to anticipate which is the cheaper configuration that complies with the application requirements. Thus, the study of techniques for automating the process of selecting the best configuration to execute cloud applications has gained relevance. Recent approaches to identify the optimal configuration to execute cloud applications are based on an exploration phase, during which the application is executed in a set of configurations. These systems have been shown to identify near-optimal configurations. However, the cost of the exploration phase, which can be rather high, is not taken into account. This dissertation studies search techniques that consider the cost of the exploration phase. We propose an algorithm which allows to reduce the cost of the exploration phase through a judicious choice of the configurations to explore. This choice accounts both for the cost of each experiment and the expected improvement they will bring to the predictive model that guides the exploration. Our evaluation results show that our algorithm is able to identify near-optimal configurations at a low cost.}
{pt=Computação na Nuvem, Custo de Exploração, Custo de Execução, Configuração Ótima, Máquina Virtual, en=Cloud Computing, Exploration Cost, Exploitation Cost, Optimal Configuration, Virtual Machine}

Novembro 30, 2018, 14:0

Orientação

ORIENTADOR

Paolo Romano

Departamento de Engenharia Informática (DEI)

Professor Associado

ORIENTADOR

João Nuno De Oliveira e Silva

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar