análise de sensibilidade de modelos hierárquicos para computação em nuvem rubens de souza matos...
TRANSCRIPT
Análise de Sensibilidade de Modelos Hierárquicos para
Computação em Nuvem
Rubens de Souza Matos JúniorOrientador: Prof. Paulo Maciel
Agenda
• Motivação• Objetivos• Conceitos de Análise de Sensibilidade• Métodos de composição de índices• Estudo de caso• Próximos passos
Motivação• Computação em nuvem é usada/almejada por várias empresas• Como propor melhorias de desempenho/dependabilidade para sistemas
complexos tais como as nuvens computacionais?• Muitos componentes de hardware e software altamente acoplados• Modelos hierárquicos facilitam a descrição desses sistemas e o tratamento de
largeness e stiffness.
Motivação
• Análise de sensibilidade:• Métodos para verificar o quanto as mudanças nos parâmetros de
entrada irão afetar as saídas (resultados) de um sistema/modelo.• Técnica essencial para detecção de “gargalos” de
desempenho/dependabilidade
• Variação dos parâmetros, um por vez
• Análise diferencial
• Análise de correlação/regressão
• Design of Experiments: Full-factorial, 2k-Factorial, ...
12 3
MTTF_1
MTTR_1MTTF_2
Objetivos
• Análise de sensibilidade em modelos hierárquicos:• Combinar índices de sensibilidade e vários modelos
Hierárquico homogêneo
Hierárquico heterogêneo
Objetivos
• Principais contribuições esperadas:• Criação de modelos abragendo nível de aplicação e de infraestrutura
(Software executando em IaaS)• Inclusão de aspectos de aspectos de envelhecimento de software nos
modelos de desempenho e dependabilidade • Análise de sensibilidade automatizada dos modelos hierárquicos
Análise de Sensibilidade
• Análise diferencial (A.S. formal)
• Derivada parcial da métrica Y com relação a cada parâmetro λ_i.
• Existem métodos e ferramentas para análise de sensibilidade de modelos simples CTMC, SPN e QN* (não-hierárquicos).
Análise de Sensibilidade
A.S. em Modelos Hierárquicos
X Y Z
ASys=AX⋅AY⋅AZAX =P ( Ativo )
AY=MTTFY
MTTF Y+MTTRY∂ ASys
∂MTTF X=( ∂ AX
∂MTTF X⋅AY⋅AZ)+AX⋅( ∂ AY⋅AZ
∂MTTF X )
Up Down
Repairing
1/MTTF
1/MTTD1/MTTR
Estudo de caso
• Modelos de disponibilidade para ambientes Eucalyptus de nuvem privada– Incluindo eventos de falha/reparo de
hardware e software• Componentes Eucalyptus:– Cloud Controller– Cluster Controller– Storage Controller– Node Controller– Walrus
Estudo de caso
• Controladores da Nuvem e do Cluster redundantes Mecanismo Warm-standby
• Modelos hierárquico:• RBD• CTMC
• Ambos modelos podem ser resolvidos através de equações de forma fechada
Modelos para arquitetura redundante
Sistema completo
Subsistema do Controlador da Cloud/Cluster
Modelos para arquitetura redundante
Redução significativa do downtime
Mas se quisermos melhorar esse sistema ainda mais? Quais componentes/parâmetros merecem prioridade?
Modelo RBD
Disponibilidade do sistema
Sensibilidade da Disponibilidade
? Avaliação da Cadeia de Markov
Modelo RBD
Índice de sensibilidade para modelo com CLC e CC redundantes
∂ ACLC∂θ i
Calculados com a ajuda deframeworks de álgebra computacional,e.g. GiNaC, Wolfram Mathematica.
∂ ACC∂ θi
Verificação dos resultados
Verificação dos resultados
Otimização guiada pela análise de sensibilidade
• Composição de web services (mashup)– Pode haver muitos provedores possíveis para o mesmo serviço:
• Google Places• Yahoo Place Finder• Foursquare
– Identificar a combinação de provedores de serviço que resultará no melhor desempenho e confiabilidade para a aplicação
– Uso de índices de sensibilidade como heurística para melhorar algoritmos de otimização tais como o GRASP (Greedy Randomized Adaptive Search Procedure)
Próximos passos
• Testar o uso A.S. no algoritmo de otimização• Incluir funções de A.S. de modelos hierárquicos no Mercury.• Experimentos para validar os resultados de alguns cenários• Comparar os resultados índices de derivadas parciais com os
resultados de DoE fatorial