{en_GB=Tenant Aware Big Data Scheduling with Software Defined Networking} {} EVALUATED

Detalhes: {pt=O aumento de dados no mundo da Internet criou uma necessidade de processar e adquirir informações a partir deles usando Big Data Analytics, que por sua vez usam centro de dados para fins de computação e armazenamento.O Big dados analítica no centro de dados precisa de uma boa configuração de rede para evitar atraso Ou erro na rede. Mas a rede tradicional não pôde evitar o erro ou criar dinamicamente uma arquitetura de rede. Isto deu origem ao SDN que configura, implanta e gere as infra-estruturas de rede. SDN segue abordagem logicamente centralizada, com a qual a alocação de rede e programação pode ser realizada com maior eficiência e confiabilidade.Devido ao surgimento de serviços em nuvem tem se tornando fácil acessar o recurso computacional e SLA não pode garantir o desempenho em camada de rede. Isso traz o problema no ambiente de data center multi-tenant. Tendo estas duas tecnologias em mente, propomos MR-FLOOD que é uma conjugação da estrutura Hadoop MapReduce e controlador Floodlight. Nós trouxemos essas tecnologias juntas para dar aos inquilinos uma parcela de largura de banda justa e menos latência usando largura de banda ou latência com base na estratégia de alocação de cargos. Nossas avaliações mostram que as propriedades acima mencionadas são alcançadas, sendo realizadas em duas topologias comuns de rede de data center: Tree e Fat-tree. , en=The increase of data in the Internet world has created a need to process and acquire information from them using Big Data Analytics which in turn use data center for computing and storing purposes.The Big data analytics in data center needs a good network configuration to avoid delay or error in the network. But the traditional network could not avoid the error or dynamically create a network architecture. This gave rise to Software-Defined Networking which configures, deploys and manages the network infrastructures. SDN follows logically centralized approach, with which network allocation and scheduling can be performed with increased efficiency and reliability.Due to the emergence of cloud services it has becoming easy to access the computational resource.The client can rent large size of the computational resources in a very reasonable price, but unfortunately there is performance degradation in the network level as many clients would be using the computational instance through same communication channel and SLA (Service-level agreement) could not guarantee the performance in the network layer. This bring about the problem in the multi-tenant data center environment. Having these two technologies in mind we propose MR-FLOOD which is a conjugation of the Hadoop MapReduce framework and Floodlight controller. We brought these technologies together to give the tenants a fair bandwidth share and less latency using bandwidth or latency based job allocation strategy. Our assessments show that the above mentioned properties are achieved, being carried out in two common data center network topologies: Tree and Fat-tree.}

Discussão: outubro 31, 2016, 9:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

AUTOR

Tasneem Akhthar I (ist424480)

ORIENTADOR

Luís Manuel Antunes Veiga

Departamento de Engenharia Informática (DEI)

Professor Associado