Título: Alocação preditiva de recursos em nuvem utilizando redes neurais

Data: 30/01/2023

Horário: 14h00

Local: Videoconferência

Resumo:

A computação em nuvem tem sido apontada como uma solução para o uso racional de recursos da Tecnologia da Informação. Os provedores de serviços em nuvem oferecem ambientes compartilhados que podem ser dimensionados para atender aos requisitos flutuantes de seus clientes. O desafio imposto é a utilização de mecanismos capazes de otimizar o uso dos recursos e, simultaneamente, garantir que o desempenho desses serviços continue atendendo às métricas Quality of Experience (QoE), Quality of Service (QoS), bem como aos Service Level Indicators (SLI) e aos respectivos Service Level Agreements (SLA) estabelecidos. Os provedores necessitam oferecer mecanismos autonômicos para promover a escalabilidade dos recursos em tempo hábil, ao tempo em que os clientes precisam confiar no desempenho e nos custos envolvidos nas negociações. No processo de Gerenciamento de Capacidade em Nuvem, diversas abordagens preditivas de escalonamento de recursos já foram propostas para superar as limitações das abordagens reativas convencionais. Entretanto, tais abordagens ainda não demostraram resultados satisfatórios, em termos de custo, desempenho e autonomia. Esta pesquisa propõe um Modelo Autonômico para Alocação Preditiva de Recursos no Gerenciamento de Capacidade em Nuvem utilizando Redes Neurais que combina características reativas e preditivas para o escalonamento de recursos. Para suportar o provisionamento preditivo de recursos, foi utilizado Recurrent Neural Networks (RNNs) na arquitetura Stacked Long Short-Term Memory, buscando suplantar os resultados já alcançados. Na abordagem autonômica, adotou-se o modelo MAPE-K, recorrendo aos princípios da Autonomic Cloud Computing (ACC). Visando demonstrar a viabilidade da proposta foi elaborado um estudo de caso utilizando traces experimentais. Na avaliação da acurácia do modelo utilizou-se um comparativo entre a rede LSTM clássica e diferentes configurações da rede Stacked LSTM. Para análise do modelo operacional foi proposta uma arquitetura autonômica utilizando o modelo preditivo. Os resultados obtidos demonstraram a viabilidade da proposta, trazendo como benefício a utilização das Stacked LSTMs na predição do provisionamento de recursos em nuvem. Como trabalhos futuros, pretende-se implementar a arquitetura em uma ferramenta operacional, em código livre, para apoiar provedores de serviços de pequeno e médio porte e permitir o planejamento de capacidade no processo de migração para nuvem.

Banca examinadora:

• Prof. Dr. José Neuman de Souza (MDCC/UFC) - Orientador
• Prof. Dr. Alberto Sampaio Lima (UFC) - Coorientador
• Prof. Dr. Lincoln Souza Rocha (MDCC/UFC)
• Prof. Dr. José Maria da Silva Monteiro Filho (MDCC/UFC)
• Prof. Dr. Joaquim Celestino Junior (UECE)
• Prof. Dr. José Antão Beltrão Moura (UFCG)