Detailansicht

Modeling and multifaceted reconfiguration of cloud-based dynamic routing

Amirali Amiri

Art der Arbeit

Dissertation

Universität

Universität Wien

Fakultät

Fakultät für Informatik

Studiumsbezeichnung bzw. Universitätlehrgang (ULG)

Dr.-Studium der technischen Wissenschaften (DissG: Informatik)

Betreuer*in

Uwe Zdun

Volltext herunterladen
Volltext in Browser öffnen

DOI

10.25365/thesis.74171

URN

urn:nbn:at:at-ubw:1-15152.28650.727550-6

Link zu u:search

(Print-Exemplar eventuell in Bibliothek verfügbar)

Abstracts

Abstract

(Deutsch)

Im heutigen digitalen Zeitalter sind service- und cloudbasierte Anwendungen zunehmend dynamisch und müssen zur Laufzeit angepasst werden, um ihr komplexes Verhalten zu steuern. Zur Erfüllung dieser Anforderungen bietet Cloud Computing eine elastische Infrastruktur, die in der Lage ist, Ressourcen dynamisch anzupassen und Anwendungen nach Bedarf zu skalieren. Mit zunehmender Komplexität der Cloud-Systeme wird die manuelle Verwaltung dieser Systeme jedoch immer schwieriger und kostspieliger. Um sicherzustellen, dass Cloud-Ressourcen dynamisch rekonfiguriert werden, um die Anforderungen an die Quality of Service (QoS) zu erfüllen, haben sich verschiedene Forschungsstudien auf unterschiedliche Ansätze konzentriert. Diese Studien umfassen architekturbasierte Zuverlässigkeitsmodellierung, empirische Zuverlässigkeits- oder Resilienzbewertung, architekturbasierte Leistungsvorhersage und Leistungsanalyse in Cloud-basierten Systemen. Darüber hinaus wurden selbst-adaptive Systeme entwickelt, die Monitor, Analyze, Plan, Execute und Knowledge (MAKE-K) Schleifen und ähnliche Ansätze verwenden, um Anpassungen zu implementieren, während Auto-Scaler und Cloud-Elastizität versprechen, stabile QoS zu gewährleisten, auch wenn sich die Arbeitslast ändert. Um den Prozess der Cloud-Systemkonfiguration zu automatisieren, ist jedoch eine höhere Abstraktionsebene erforderlich, um die verschiedenen verfügbaren Technologien und Optionen zu modellieren und das Domänenwissen zu erfassen, das für die Entscheidungsfindung bei der Auswahl optimaler Rekonfigurationslösungen erforderlich ist. Darüber hinaus ist empirische Forschung unerlässlich, um die wissenschaftliche Methode zu unterstützen. Sie schafft Vertrauen in neue Technologien und Ansätze. Zu diesem Zweck haben wir mehrere Experimente entworfen und durchgeführt, um verschiedene QoS-Anforderungen, einschließlich Zuverlässigkeit, Leistung und Systemüberlastung, zu modellieren und zu verstehen. Wir haben diese Messungen analytisch und statistisch modelliert und unsere Modelle empirisch validiert. Durch diese empirische Forschung haben wir die Kompromisse zwischen verschiedenen QoS-Anforderungen untersucht. Wir haben analysiert, wie diese Anforderungen die Zuverlässigkeit und Leistung des Systems in zentralisierten oder verteilten Systemen beeinflussen. Nachdem wir die empirische Evidenz gesammelt hatten, haben wir Multi-Kriterien-Optimierungsmodelle eingesetzt, um das System in die Lage zu versetzen, selbstgesteuert zu agieren. Das System kann die Situation bewerten und Cloud-Ressourcen automatisch anpassen, um eine optimale Rekonfigurationslösung auszuwählen. Um diesen Ansatz zu unterstützen, haben wir uns darauf konzentriert zu modellieren, wie Domänenwissen im Kontext von QoS-Anforderungen erfasst werden kann und wie verfügbare Technologien abstrahiert werden können, um sie auf einer architektonischen Abstraktionsebene zu untersuchen. Darüber hinaus haben wir architektonische Analysewerkzeuge für selbst-adaptive Dienste und Cloud-basierte dynamische Routing-Systeme bereitgestellt. Nach der Untersuchung verschiedener QoS-Modelle für dynamisches Routing stellen wir eine vielseitige Rekonfiguration für dynamisches Routing vor. Wir untersuchen Szenarien, in denen Komponenten inaktiv, stabil und transient sind, sowie die Interaktion zwischen diesen Szenarien. Diese Dissertation zeigt die Bedeutung empirischer Forschung, um Vertrauen in neue Technologien und Ansätze zu schaffen, um komplexe Cloud-basierte dynamische Routing-Systeme zu verwalten. Durch die Modellierung und das Verständnis verschiedener QoS-Anforderungen und ihrer Trade-offs haben wir ein selbstverwaltendes System entwickelt, das in der Lage ist, Cloud-Ressourcen dynamisch anzupassen, um eine stabile QoS auch bei sich ändernder Auslastung zu gewährleisten.

Abstract

(Englisch)

In today's digital age, service- and cloud-based applications have become increasingly dynamic, requiring runtime system adaptations to manage their complex behavior. To meet this need, cloud computing offers an elastic infrastructure that can dynamically adjust resources and scale applications as needed. However, as cloud-based systems become more complex, manual management of these systems becomes increasingly challenging and cost-ineffective. To ensure that cloud resources are dynamically reconfigured to meet Quality of Service (QoS) requirements, various research studies have focused on different approaches, such as architecture-based reliability modeling, empirical reliability or resilience assessment, architecture-based performance prediction, and performance analysis in cloud-based systems. Additionally, self-adaptive systems have been developed that use Monitor, Analyze, Plan, Execute, and Knowledge (MAKE-K) loops and similar approaches to realize adaptations, while autoscalers and cloud elasticity promise to maintain stable QoS measures even when workload intensity changes. However, a higher level of abstraction is necessary to make the reconfiguration process of cloud-based systems automatic. This abstraction models the various available technologies and options, which allows us to capture the domain knowledge needed to make informed decisions when choosing optimal reconfiguration solutions. Additionally, empirical research is crucial for supporting the scientific method and creating trust in new technologies and approaches. In this doctoral thesis, we have designed and performed multiple experiments to model and understand different QoS requirements, including reliability, performance, and system overload. We have modeled these measurements analytically and statistically, then validated our models empirically. Through this empirical research, we have investigated the trade-offs of different QoS metrics and studied how these requirements affect reliability and performance in centralized or distributed systems. After gathering empirical evidence, we have used our models for multi-criteria optimization analyses, which give the system self-management ability. The system can assess the situation and automatically adapt cloud resources, choosing an optimal reconfiguration solution. To support this approach, we have focused on capturing domain knowledge in the context of QoS requirements and abstracting available technologies to study them at an architectural level of abstraction. We have also provided architectural analysis tools for self-adaptive service- and cloud-based dynamic-routing systems. Moreover, we have presented a multifaceted reconfiguration of dynamic routing and studied scenarios where components are idle, steady, and transient, as well as the interplay of these scenarios. This dissertation demonstrates the importance of empirical research in creating trust in new technologies and approaches for managing complex cloud-based dynamic-routing systems. By modeling and understanding different QoS requirements and their trade-offs, we have developed a self-management system that can dynamically adapt cloud resources to ensure stable QoS metrics, even in the face of changing workload intensity.

Autor*innen

Amirali Amiri

Haupttitel (Englisch)

Modeling and multifaceted reconfiguration of cloud-based dynamic routing

Paralleltitel (Deutsch)

Modellierung und vielseitige Rekonfiguration von cloudbasiertem dynamischem Routing

Publikationsjahr

2023

Umfangsangabe

xv, 182 Seiten : Illustrationen

Sprache

Englisch

Beurteiler*innen

Stefan Nastic ,

Catia Trubiani

Klassifikation

54 Informatik > 54.52 Software engineering

AC Nummer

AC16929200

Utheses ID

67053

Studienkennzahl

UA | 786 | 880 | |

Detailansicht

Abstracts

Schlagwörter