Uma abordagem personalizada de reserva antecipada de recursos em bancos de dados na nuvem

Abstract

O paradigma de computação orientada a serviço denominado de computação na nuvem vem crescendo rapidamente nos últimos tempos e revolucionando o modo como a infraestrutura computacional é abstraída e utilizada. Entre os paradigmas existentes, DBaaS (Database as a Service) oferece um serviço de banco de dados na nuvem, e da mesma forma que outros paradigmas e serviços disponibilizados na nuvem, há diversas questões ainda a serem trabalhadas, tal como a reserva antecipada de recursos. Reserva antecipada de recursos é o processo onde os usuários podem reservar recursos computacionais antecipadamente, como quantidade de CPU e memória, espaço em disco e largura de banda, para serem utilizados em um determinado período de tempo com o objetivo de aumentar a performance temporariamente e finalizar determinado processamento em um menor tempo. Provedores de serviços na nuvem hoje em dia provisionam mais recursos ao seus clientes baseando-se em picos de carga de trabalho, causando muitas vezes um desperdício de recursos e, consequentemente, aumento no custo do serviço. Em momentos que o cliente sabe, porém, que terá um aumento de carga de trabalho esperado, nada se pode fazer a não ser lidar com essa situação. Desta forma, esta dissertação propõe uma abordagem de reserva antecipada de recursos em bancos de dados na nuvem, utilizando machine learning cujo objetivo é prover sugestões de recursos ao usuário, onde este informa ao provedor do serviço um aumento da demanda no futuro e assim reserva recursos para assegurar a sua performance. Experimentos com diferentes algoritmos de aprendizado de máquina e conjuntos de dados apresentaram bons resultados para predição de tempo de execução de consultas. Com isso, foi possível prover reservas mais precisas através de recomendações de recursos. A partir das recomendações, o usuário pode realizar reservas que melhoraram a performance do banco de dados e permitiram que consultas pudessem ser executadas em menor tempo.

Abstract : The service-oriented computing paradigm called cloud computing has been growing quickly in recent years and revolutionizing the way in which computing infrastructure is abstracted and used. Among the existing paradigms, DBaaS (Database as a Service) offers a database service in the cloud, and like other paradigms and services available in the cloud, there are several issues still to be addressed, such as advance resource reservation. Advance resource reservation is the process where users can reserve computational resources in advance, such as amount of CPU and memory, disk space and bandwidth, to be used in a certain period of time in order to temporarily increase performance and finalize certain processing in a shorter time. Cloud service providers nowadays provide more resources to their customers based on workload peaks, often resulting in a waste of resources and hence increased cost of service. However, in moments when the client knows that there will be an increase in the workload, nothing can be done but deal with this situation. In this way, this dissertation proposes an approach of anticipated reservation of resources in databases in the cloud, using machine learning, whose objective is to provide suggestions of resources to the user, where the latter informs to the service provider an increase of the demand in the future and thus reserves resources to ensure its performance. Experiments with different machine learning algorithms and data sets presented good results for predicting query execution time. With this, it was possible to provide more precise reservations through resource recommendations. From the recommendations, the user can make reservations that improve the performance of the database and allow queries to be executed in a shorter time.