Avaliação de técnicas de aprendizado de máquina para previsão de cargas de trabalho aplicadas para otimizar o provisionamento de recursos em nuvens computacionais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da PUC_RS |
Texto Completo: | http://tede2.pucrs.br/tede2/handle/tede/8797 |
Resumo: | Cloud computing has transformed the means of resource provisioning in recent years with several benefits over traditional systems, like scalability and high availability. However, there are still some opportunities, especially in the area of proactive resource allocation and scaling. Since demand may fluctuate heavily in certain environments, over-provisioning is a common practice to avoid abrupt Quality of Service (QoS) drops that may result in Ser- vice Level Agreement (SLA) violations, but at the price of an increase in provisioning costs and energy consumption. Workload prediction is one of the strategies by which efficiency and operational cost of a cloud can be improved. Knowing demand in advance allows the allocation of sufficient resources to maintain QoS and avoid SLA violations. This paper presents the advantages and disadvantages of three workload prediction techniques usu- ally applied in the context of cloud computing. We compare ARIMA, MLP and GRU under different configurations, and although all three strategies have similar accuracy results in this context, they present important differences in preparation and execution. This work helps system administrators in choosing the more appropriate and efficient predictive model for their specific problem. |
id |
P_RS_4b5983fedff799bab376e3da651d5640 |
---|---|
oai_identifier_str |
oai:tede2.pucrs.br:tede/8797 |
network_acronym_str |
P_RS |
network_name_str |
Biblioteca Digital de Teses e Dissertações da PUC_RS |
repository_id_str |
|
spelling |
De Rose, Cesar Augusto Fonticielhahttp://lattes.cnpq.br/6703453792017497http://lattes.cnpq.br/7512429736542896Kirchoff, Dionatrã Folle2019-07-11T17:05:49Z2019-03-29http://tede2.pucrs.br/tede2/handle/tede/8797Cloud computing has transformed the means of resource provisioning in recent years with several benefits over traditional systems, like scalability and high availability. However, there are still some opportunities, especially in the area of proactive resource allocation and scaling. Since demand may fluctuate heavily in certain environments, over-provisioning is a common practice to avoid abrupt Quality of Service (QoS) drops that may result in Ser- vice Level Agreement (SLA) violations, but at the price of an increase in provisioning costs and energy consumption. Workload prediction is one of the strategies by which efficiency and operational cost of a cloud can be improved. Knowing demand in advance allows the allocation of sufficient resources to maintain QoS and avoid SLA violations. This paper presents the advantages and disadvantages of three workload prediction techniques usu- ally applied in the context of cloud computing. We compare ARIMA, MLP and GRU under different configurations, and although all three strategies have similar accuracy results in this context, they present important differences in preparation and execution. This work helps system administrators in choosing the more appropriate and efficient predictive model for their specific problem.A computação em nuvem transformou a forma de provisionar recursos computacionais nos últimos anos, oferecendo vários benefícios em relação aos sistemas tradicionais como escalabilidade e alta disponibilidade. No entanto, ainda existem algumas oportunidades a serem exploradas, especialmente na área de alocação e dimensionamento proativo de recursos. Como a carga de trabalho pode flutuar muito nestes ambientes, o provisionamento excessivo é uma prática comum para evitar quedas repentinas de Qualidade de Serviço (QoS) que podem resultar em violações de Acordo de Nível de Serviço (SLA), mas ao custo de um aumento nos custos de provisionamento e consumo de energia. A previsão de carga de trabalho é uma das estratégias pelas quais a eficiência e o custo operacional de uma nuvem podem ser melhorados. Saber antecipadamente a demanda de um serviço permite a alocação prévia de recursos suficientes para manter a QoS e evitar violações de SLA. Esta dissertação apresenta as vantagens e desvantagens de três técnicas de pre- visão de carga de trabalho usualmente aplicadas no contexto da computação em nuvem. São comparados os algoritmos de aprendizado de máquina ARIMA, MLP e o GRU em di- ferentes configurações, para ajudar os administradores a escolher o modelo preditivo mais adequado e eficiente para seu problema específico. O resultado das avaliações apresenta que os algoritmos estudados são equivalentes quanto à precisão obtida neste contexto, mas apresentam diferenças importantes em sua aplicação, de forma que este trabalho auxilia na escolha da melhor técnica para o cenário em questão.Submitted by PPG Ciência da Computação (ppgcc@pucrs.br) on 2019-07-11T12:10:30Z No. of bitstreams: 1 DIONATRA FOLLE KIRCHOFF_DIS.pdf: 1856581 bytes, checksum: 20937263422dfaaa4c63620ced9a200d (MD5)Approved for entry into archive by Sheila Dias (sheila.dias@pucrs.br) on 2019-07-11T16:53:51Z (GMT) No. of bitstreams: 1 DIONATRA FOLLE KIRCHOFF_DIS.pdf: 1856581 bytes, checksum: 20937263422dfaaa4c63620ced9a200d (MD5)Made available in DSpace on 2019-07-11T17:05:49Z (GMT). No. of bitstreams: 1 DIONATRA FOLLE KIRCHOFF_DIS.pdf: 1856581 bytes, checksum: 20937263422dfaaa4c63620ced9a200d (MD5) Previous issue date: 2019-03-29application/pdfhttp://tede2.pucrs.br:80/tede2/retrieve/175935/DIONATRA%20FOLLE%20KIRCHOFF_DIS.pdf.jpgporPontifícia Universidade Católica do Rio Grande do SulPrograma de Pós-Graduação em Ciência da ComputaçãoPUCRSBrasilEscola PolitécnicaPrevisão de Carga de TrabalhoComputação em NuvemEficiência de RecursosWorkload PredictionCloud ComputingResource EfficiencyCIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAOAvaliação de técnicas de aprendizado de máquina para previsão de cargas de trabalho aplicadas para otimizar o provisionamento de recursos em nuvens computacionaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisTrabalho não apresenta restrição para publicação-4570527706994352458500500-862078257083325301info:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da PUC_RSinstname:Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS)instacron:PUC_RSTHUMBNAILDIONATRA FOLLE KIRCHOFF_DIS.pdf.jpgDIONATRA FOLLE KIRCHOFF_DIS.pdf.jpgimage/jpeg5143http://tede2.pucrs.br/tede2/bitstream/tede/8797/3/DIONATRA+FOLLE+KIRCHOFF_DIS.pdf.jpgcc5e221597966e27898c4925fa295487MD53TEXTDIONATRA FOLLE KIRCHOFF_DIS.pdf.txtDIONATRA FOLLE KIRCHOFF_DIS.pdf.txttext/plain151552http://tede2.pucrs.br/tede2/bitstream/tede/8797/4/DIONATRA+FOLLE+KIRCHOFF_DIS.pdf.txtd20db8f634f30abbd9a8aa50f5bed7b0MD54ORIGINALDIONATRA FOLLE KIRCHOFF_DIS.pdfDIONATRA FOLLE KIRCHOFF_DIS.pdfapplication/pdf1856581http://tede2.pucrs.br/tede2/bitstream/tede/8797/2/DIONATRA+FOLLE+KIRCHOFF_DIS.pdf20937263422dfaaa4c63620ced9a200dMD52LICENSElicense.txtlicense.txttext/plain; charset=utf-8590http://tede2.pucrs.br/tede2/bitstream/tede/8797/1/license.txt220e11f2d3ba5354f917c7035aadef24MD51tede/87972019-07-12 12:00:24.024oai:tede2.pucrs.br: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Biblioteca Digital de Teses e Dissertaçõeshttp://tede2.pucrs.br/tede2/PRIhttps://tede2.pucrs.br/oai/requestbiblioteca.central@pucrs.br||opendoar:2019-07-12T15:00:24Biblioteca Digital de Teses e Dissertações da PUC_RS - Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS)false |
dc.title.por.fl_str_mv |
Avaliação de técnicas de aprendizado de máquina para previsão de cargas de trabalho aplicadas para otimizar o provisionamento de recursos em nuvens computacionais |
title |
Avaliação de técnicas de aprendizado de máquina para previsão de cargas de trabalho aplicadas para otimizar o provisionamento de recursos em nuvens computacionais |
spellingShingle |
Avaliação de técnicas de aprendizado de máquina para previsão de cargas de trabalho aplicadas para otimizar o provisionamento de recursos em nuvens computacionais Kirchoff, Dionatrã Folle Previsão de Carga de Trabalho Computação em Nuvem Eficiência de Recursos Workload Prediction Cloud Computing Resource Efficiency CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO |
title_short |
Avaliação de técnicas de aprendizado de máquina para previsão de cargas de trabalho aplicadas para otimizar o provisionamento de recursos em nuvens computacionais |
title_full |
Avaliação de técnicas de aprendizado de máquina para previsão de cargas de trabalho aplicadas para otimizar o provisionamento de recursos em nuvens computacionais |
title_fullStr |
Avaliação de técnicas de aprendizado de máquina para previsão de cargas de trabalho aplicadas para otimizar o provisionamento de recursos em nuvens computacionais |
title_full_unstemmed |
Avaliação de técnicas de aprendizado de máquina para previsão de cargas de trabalho aplicadas para otimizar o provisionamento de recursos em nuvens computacionais |
title_sort |
Avaliação de técnicas de aprendizado de máquina para previsão de cargas de trabalho aplicadas para otimizar o provisionamento de recursos em nuvens computacionais |
author |
Kirchoff, Dionatrã Folle |
author_facet |
Kirchoff, Dionatrã Folle |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
De Rose, Cesar Augusto Fonticielha |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/6703453792017497 |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/7512429736542896 |
dc.contributor.author.fl_str_mv |
Kirchoff, Dionatrã Folle |
contributor_str_mv |
De Rose, Cesar Augusto Fonticielha |
dc.subject.por.fl_str_mv |
Previsão de Carga de Trabalho Computação em Nuvem Eficiência de Recursos |
topic |
Previsão de Carga de Trabalho Computação em Nuvem Eficiência de Recursos Workload Prediction Cloud Computing Resource Efficiency CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO |
dc.subject.eng.fl_str_mv |
Workload Prediction Cloud Computing Resource Efficiency |
dc.subject.cnpq.fl_str_mv |
CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO |
description |
Cloud computing has transformed the means of resource provisioning in recent years with several benefits over traditional systems, like scalability and high availability. However, there are still some opportunities, especially in the area of proactive resource allocation and scaling. Since demand may fluctuate heavily in certain environments, over-provisioning is a common practice to avoid abrupt Quality of Service (QoS) drops that may result in Ser- vice Level Agreement (SLA) violations, but at the price of an increase in provisioning costs and energy consumption. Workload prediction is one of the strategies by which efficiency and operational cost of a cloud can be improved. Knowing demand in advance allows the allocation of sufficient resources to maintain QoS and avoid SLA violations. This paper presents the advantages and disadvantages of three workload prediction techniques usu- ally applied in the context of cloud computing. We compare ARIMA, MLP and GRU under different configurations, and although all three strategies have similar accuracy results in this context, they present important differences in preparation and execution. This work helps system administrators in choosing the more appropriate and efficient predictive model for their specific problem. |
publishDate |
2019 |
dc.date.accessioned.fl_str_mv |
2019-07-11T17:05:49Z |
dc.date.issued.fl_str_mv |
2019-03-29 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://tede2.pucrs.br/tede2/handle/tede/8797 |
url |
http://tede2.pucrs.br/tede2/handle/tede/8797 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.program.fl_str_mv |
-4570527706994352458 |
dc.relation.confidence.fl_str_mv |
500 500 |
dc.relation.cnpq.fl_str_mv |
-862078257083325301 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Pontifícia Universidade Católica do Rio Grande do Sul |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Ciência da Computação |
dc.publisher.initials.fl_str_mv |
PUCRS |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Escola Politécnica |
publisher.none.fl_str_mv |
Pontifícia Universidade Católica do Rio Grande do Sul |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da PUC_RS instname:Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS) instacron:PUC_RS |
instname_str |
Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS) |
instacron_str |
PUC_RS |
institution |
PUC_RS |
reponame_str |
Biblioteca Digital de Teses e Dissertações da PUC_RS |
collection |
Biblioteca Digital de Teses e Dissertações da PUC_RS |
bitstream.url.fl_str_mv |
http://tede2.pucrs.br/tede2/bitstream/tede/8797/3/DIONATRA+FOLLE+KIRCHOFF_DIS.pdf.jpg http://tede2.pucrs.br/tede2/bitstream/tede/8797/4/DIONATRA+FOLLE+KIRCHOFF_DIS.pdf.txt http://tede2.pucrs.br/tede2/bitstream/tede/8797/2/DIONATRA+FOLLE+KIRCHOFF_DIS.pdf http://tede2.pucrs.br/tede2/bitstream/tede/8797/1/license.txt |
bitstream.checksum.fl_str_mv |
cc5e221597966e27898c4925fa295487 d20db8f634f30abbd9a8aa50f5bed7b0 20937263422dfaaa4c63620ced9a200d 220e11f2d3ba5354f917c7035aadef24 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da PUC_RS - Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS) |
repository.mail.fl_str_mv |
biblioteca.central@pucrs.br|| |
_version_ |
1799765341201498112 |