Failure Prevision in Cloud Applications

Detalhes bibliográficos
Autor(a) principal: Domingos, Jomar Laurindo Baptista
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/88119
Resumo: Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
id RCAP_4072d13588c54b346599aaa7524a1ed9
oai_identifier_str oai:estudogeral.uc.pt:10316/88119
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Failure Prevision in Cloud ApplicationsPrevisão de avarias em aplicações na CloudPrevisão de AvariasConfiabilidade em Computação em NuvemGestão Proativa de AvariasInjeção de FalhasMachine Learning, OpenStackFailure PredictionCloud DependabilityProactive Fault ManagementFault InjectionMachine Learning, OpenStackDissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e TecnologiaA computação em nuvem tem sido cada vez mais adotada como modelo computacional padrão para suportar vários tipos serviços em diversas áreas (e.g., Saúde, Finanças, Educação, etc.), o que aumenta o nível de dependência destas infraestruturas. As avarias dos sistemas são eventos inevitáveis e com muitas causas possíveis (e.g., avarias de hardware, erros de software, falhas de operador, fenómenos naturais, etc.), sendo convencionalmente tratadas de forma reactiva (após a sua ocorrência). A computação em nuvem não é uma exceção. Portanto, a previsão avarias torna-se uma abordagem alternativa e necessária para reduzir os impactos causados avarias em sistemas cuja dependência é relevante. A alta fiabilidade e disponibilidade em infra-estruturas de nuvem é normalmente conseguida através do mecanismo de tolerância a falhas, o que representa um elevado custo para os fornecedores. A previsão de falhas pode ser uma maneira de aumentar tais atributos para sistemas e serviços baseados na compuatação em nuvem.Nesta tese de mestrado, nós aplicamos uma abordagem pró-ativa para lidar com avarias (causadas por erros) que podem ocorrer em Sistemas de Gestão de Infra-estruturas de computação em nuvem (especificamente o OpenStack) usando técnicas de Machine Learning para criação de modelos de previsão em de avarias em tempo real e um framework de injeção de falhas para catalisar o processo de obtenção avarias no sistema, de formas a capturar dados que possam indicar a propensão do sistema a avarias, bem como também aumentar a cobertura (isto é, qualidade) dos conjuntos de dados utilizados no processo de criação dos modelos (i.e., treinos e testes). Também apresentamos uma nova abordagem para o uso do atributo temporal dos dados, que visa preservar a característica sequêncial dos dados e melhorar a qualidade dos modelos. Este trabalho pode ser visto como base para o desenvolvimento de um módulo do OpenStack dedicado a previsão de avarias na plataforma.Cloud computing has increasingly been adopted as the standard computational model to support various services in various areas (e.g., health, finance, education, etc.), which increases the level of dependence on cloud infrastructures. System failures are inevitable events with many possible causes (e.g., hardware faults, software bugs, operator faults, natural phenomena, etc.) and are conventionally handled after their occurrence. Cloud computing is not an exception. Therefore, failure prediction becomes an alternative and necessary approach to reduce the impacts caused by faults in systems whose dependence is relevant. The high reliability and availability in cloud infrastructures is usually achieved through fault tolerance mechanisms, which represents a high cost to providers. Failure prediction can be a way to increase those attributes for cloud based systems and services. In this master thesis, we apply proactive approach to deal with failures (caused by errors) that may occur in Cloud Management Platform (i.e., OpenStack) using Machine Learning techniques to create online failure prediction models and a fault injection framework to catalyze the generation of failure-prone data to increase the coverage (i.e., quality) of the data sets used to train our models. We also present a new way to use data time dimension in the process of creating failures prediction models, preserving the sequential characteristic of the collected data. The inherent characteristics of cloud computing (i.e., fast elasticity, resource pooling, virtualization technologies, etc.) makes a mechanism like this represent a huge advantage, as it becomes possible to implement counter measures at the imminence of a failure. This work can be considered a groundwork for developing an OpenStack module dedicated to predicting failures of a cloud computing platform, enabling infrastructure operators (i.e., providers) to take compensatory actions that mitigate the impact of a failure before they even occur.Universidade de Coimbra - Projecto pertencente ao DEI/CISUC2019-10-28info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/88119http://hdl.handle.net/10316/88119TID:202307115engDomingos, Jomar Laurindo Baptistainfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2021-05-07T10:45:01Zoai:estudogeral.uc.pt:10316/88119Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:08:54.074325Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Failure Prevision in Cloud Applications
Previsão de avarias em aplicações na Cloud
title Failure Prevision in Cloud Applications
spellingShingle Failure Prevision in Cloud Applications
Domingos, Jomar Laurindo Baptista
Previsão de Avarias
Confiabilidade em Computação em Nuvem
Gestão Proativa de Avarias
Injeção de Falhas
Machine Learning, OpenStack
Failure Prediction
Cloud Dependability
Proactive Fault Management
Fault Injection
Machine Learning, OpenStack
title_short Failure Prevision in Cloud Applications
title_full Failure Prevision in Cloud Applications
title_fullStr Failure Prevision in Cloud Applications
title_full_unstemmed Failure Prevision in Cloud Applications
title_sort Failure Prevision in Cloud Applications
author Domingos, Jomar Laurindo Baptista
author_facet Domingos, Jomar Laurindo Baptista
author_role author
dc.contributor.author.fl_str_mv Domingos, Jomar Laurindo Baptista
dc.subject.por.fl_str_mv Previsão de Avarias
Confiabilidade em Computação em Nuvem
Gestão Proativa de Avarias
Injeção de Falhas
Machine Learning, OpenStack
Failure Prediction
Cloud Dependability
Proactive Fault Management
Fault Injection
Machine Learning, OpenStack
topic Previsão de Avarias
Confiabilidade em Computação em Nuvem
Gestão Proativa de Avarias
Injeção de Falhas
Machine Learning, OpenStack
Failure Prediction
Cloud Dependability
Proactive Fault Management
Fault Injection
Machine Learning, OpenStack
description Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
publishDate 2019
dc.date.none.fl_str_mv 2019-10-28
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://hdl.handle.net/10316/88119
http://hdl.handle.net/10316/88119
TID:202307115
url http://hdl.handle.net/10316/88119
identifier_str_mv TID:202307115
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799133982417223680

Registros relacionados