Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 637
Aluno: Wellison Raul Mariz Santos
Orientador: Prof. Nelson Souto Rosa
Coorientador: Prof. George Darmiton da Cunha Cavalcanti
Título: PROACTIVE ADAPTATION OF MICROSERVICE-BASED APPLICATIONS
Data: 28/08/2024
Hora/Local: 8h – Centro de Informática – Sala E-131
Banca Examinadora:
Prof. Carlos André Guimarães Ferraz (UFPE / Centro de Informática
Prof. Paulo Salgado Gomes de Mattos Neto (UFPE / Centro de Informática)
Prof. Edmundo Roberto Mauro Madeira (UNICAMP / Instituto de Computação)
Prof. Luiz Eduardo Soares de Oliveira (UFPR / Departamento de Informática)
Prof. Fabio Moreira Costa (UFG / Instituto de Informática)
RESUMO:
O escalonamento automático proativo de aplicativos baseados em microsserviços tornou-se popular tanto na indústria quanto na academia. Esses sistemas proativos analisam padrões em dados históricos para estimar tendências futuras, assumindo que tais padrões se repetirão. Essas previsões podem ser usadas para a detecção precoce de problemas, como alta latência, permitindo ações imediatas, incluindo a replicação de serviços, para corrigir os problemas antes que eles surjam. Diversos estudos propõem sistemas proativos de escalonamento automático para microsserviços. No entanto, eles apresentam limitações de design em seus sistemas de previsão, o que pode impactar negativamente a precisão das previsões em tempo de execução. Por exemplo, todos esses sistemas dependem de um único modelo de previsão para a tarefa de previsão. O uso de um único modelo aumenta o risco de estimativas imprecisas, levando a intervenções inadequadas que podem prejudicar a experiência do cliente.
Este trabalho apresenta o PMA (Proactive Microservices Auto-scaler), um sistema de escalonamento automático baseado no MAPE-K que utiliza modelos de previsão para antecipar e evitar problemas em microsserviços. O PMA oferece três módulos para lidar com as limitações de design existentes: univariado, multivariado e uma estratégia com múltiplos preditores que utiliza vários modelos para estimativa de previsões. Vários experimentos foram realizados para avaliar o PMA e comparar seu desempenho com o Predict Kube (PK), uma ferramenta adaptativa líder da indústria. Em 93,75% dos experimentos, o PMA superou o PK no gerenciamento de aplicações de microsserviços. Este trabalho visa melhorar os sistemas de escalonamento automático proativo para microsserviços, enfrentando as limitações atuais de design e propondo um sistema de previsão mais preciso e confiável.
Palavras-chave: Sistemas Autoadaptativos Proativos. Escalonamento Automático. Microsserviços. Previsão de Séries Temporais. Aprendizado em Conjunto. Computação em Nuvem
Comentários desativados