Método para organização de máquinas virtuais na nuvem baseado em múltiplos objetivos e custos de implimentação

Abstract

O paradigma de Computacãoo em Nuvem pode ser definido como um conjunto de computadores (servidores) designados a prover seus recursos na forma de serviços. Embora este paradigma traga muitos benefícios para os seus consumidores e provedores, o gerenciamentoindevido dos seus componentes (como a localização das maáquinas virtuais) acentua problemas relacionados ao desperdício de recursos. Apesar de ser um problema de difícil otimização (NP-Hard), devido a quantidade de possíveis soluções, diversas metodologias foram propostas para mitigar a questão da Alocação de Máquinas Virtuais. Porém, estas abordagens geralmente se concentram em objetivos e/ou cenários específicos, tornando-se impraticáveis em alguns modelos de Nuvem (e.g. Infraestrutura como um Servico - IaaS). Desta maneira, identificamos a necessidade de uma solução agnóstica aos objetivos e que foque nos seguintes fatores: (i) a Seleçãao das máquinas virtuais a serem migradas, (ii) a Geração dos cenários que podem ser adotados e (iii) a Variabilidade dos cenários criados. No entanto, não foi encontrado nenhum método, ou conjunto de ferramentas (Framework), que contemple o problema de Alocação de Máquinas Virtuais utilizando agnosticismo aos objetivos e que considere o custo de implementação das soluções. Assim, esta tese propõe: (i) um modelo de Nuvem orientado para problemas de Alocação de Maquinas Virtuais e (ii) um conjunto de méetodos, agnóosticos aos objetivos da Nuvem, para Provisionamento e Organização de máaquinas virtuais. O modelo representa o ambiente através de Regras, Qualificadores e Custos. Baseado nestes elementos, os métodos utilizam estratégias de Seleção, Geração e Variabilidade guiadas pela classicação de suas alocações. Por fim, introduzimos uma estratégia que usa o Custo-Benefício para selecionar um dos vários cenários encontrados no processo, levando em consideração o custo de implementação da solução e os qualificadores do ambiente. Os resultados obtidos foram executados com dados de um ambiente real e demonstraram que o método possui um tempo de execução viáavel para utilização em ambientes de produção e retorna um resultado próximo ao cenário ótimo.<br>

Abstract : The Cloud Computing paradigm can be defined as a set of computers (servers) designed to provide their resources as services. Although this paradigm brings many benefits to its consumers and providers, the mismanagement of its components (such as the virtual machines' placement) aggravates problems related to resources' wastage. Despite of being a difficult optimization problem (NP-Hard), because the number of possible solutions, several methods have been proposed to mitigate the virtual machines' placement issue. However, these approaches often focus on few objectives and/or specific scenarios, becoming impractical in some cloud models (e.g. Infrastructure as a Service - IaaS). In this way, we identified the need for an objective-agnostic solution and focus on the following factors: (i) the selection of virtual machines to be migrated, (ii) the generation of scenarios that can be adopted and (iii) the variability of the scenarios created. However, no method was found, or set of tools (Framework), that address the Virtual Machine Placement problem using agnosticism (to the objectives) and consider the implementation costs of the solutions. Thus, this thesis proposes: (i) cloud-oriented model for Virtual Machines allocation problems and (ii) a set of methods, agnostics to cloud targets, for provisioning and organization of virtual machines. The model represents the environment through rules, Qualifiers and costs. Based on these elements, the methods use selection strategies, Generation and Variability guided by the classification of their placements.Finally, we introduce a strategy that uses the Cost-Benefit relation to select one of several scenarios encountered in the process, taking into account the cost of implementing the solution and the qualifiers of the environment. The obtained results were executed with real environment's data and demonstrated that the method has a viable execution time in production environments, and finds a result close to an optimal setting.