Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 678
Aluno: Thiago Felipe da Silva Pinheiro
Orientador: Prof. Paulo Romero Martins Maciel
Coorientador: Prof. Jamilson Ramalho Dantas
Título: Performance Modeling of Microservices-based Cloud Infrastructures
Data: 29/08/2025
Hora/Local: 9h – Auditório do CIn – Bloco B
Banca Examinadora:
Prof. Djamel Fawzi Hadj Sadok (UFPE / Centro de Informática)
Prof. Nelson Souto Rosa (UFPE / Centro de Informática)
Prof. Paulo Antonio Leal Rêgo (UFC / Departamento de Computação)
Prof. Jean Carlos Teixeira de Araújo (UFAPE )
Prof. Rivalino Matias Júnior ( UFU/Departamento de Computação)
RESUMO:
Arquiteturas baseadas em microsserviços aprimoram o desempenho e a alocação de recursos em sistemas distribuídos ao permitir escalabilidade independente e compartilhamento dos recursos subjacentes entre múltiplos microsserviços. Apesar dessas vantagens, o provisionamento e a alocação de recursos para atender aos acordos de nível de serviço (service level agreements – SLAs) de todos os microsserviços permanecem desafiadores devido ao amplo espaço de configuração, ao overhead no desempenho causado pela execução concorrente dos microsserviços, à inicialização de containers e máquinas virtuais (virtual machines – VMs) e à contenção de recursos influenciada pela distribuição dos microsserviços entre servidores. Determinar manualmente uma combinação de valores de parâmetros que atenda a todos os SLAs é, portanto, complexo e demorado. Além disso, estudos existentes sobre planejamento de capacidade raramente integram autoescalonamento, interferência de desempenho e mecanismos de resiliência em um único modelo quantitativo. Essa tese visa fornecer um modelo analítico preditivo capaz de recomendar configurações de deployment e de escalonamento de microsserviços que satisfaçam todos os SLAs enquanto minimizam a utilização de recursos. A tese propõe uma abordagem de modelagem utilizando stochastic Petri nets (SPNs), o non-dominated sorting genetic algorithm II (NSGA-II), um dos algoritmos evolutivos mais populares para otimização multiobjetivo (multiobjective optimization – MOO), e random forest regression (RFR), um método baseado em ensemble learning, para permitir uma análise de trade-off entre desempenho e consumo de recursos nos microsserviços avaliados. O modelo baseado em SPN é capaz de representar diferentes cenários de alocação de recursos. A abordagem incorpora tanto a instanciação sob demanda de VMs quanto pools pré-instanciados de VMs com alocação de containers, além de se estender a padrões de resiliência como circuit breakers e análise hierárquica para sistemas em larga escala com padrões complexos de comunicação e restrições de rede. O modelo permite aos provedores de serviço estimar métricas de desempenho considerando configurações que satisfazem todas as restrições de desempenho, utilização de VMs, alocação de containers, taxa de descarte, probabilidade de descarte, vazão, tempo de resposta e as funções de distribuição acumulada (cumulative distribution functions – CDFs) correspondentes. Essas métricas são essenciais porque tornam possível, por exemplo, estimar a utilização e alocação dos recursos, requisições rejeitadas, requisições processadas por intervalo de tempo e o tempo necessário para processar cada requisição. A abordagem de modelagem foi validada com intervalo de confiança de 95% utilizando cenários reais, demonstrando precisão em avaliações envolvendo escalabilidade de infraestrutura, interferência de desempenho, padrões de resiliência e sistemas de larga escala com restrições de rede. Esses resultados demonstram uma estratégia de modelagem analítica reprodutível que unifica análise de elasticidade, interferência de desempenho e resiliência, possibilitando planejamento de capacidade e análises do tipo what-if em plataformas modernas baseadas em microsserviços.
Palavras-chave: Microserviços. Modelagem de desempenho. Redes de Petri estocásticas. Planejamento de capacidade. Otimização multiobjetivo.
Comentários desativados