Análise de Duas Estratégias de Caracterização para Computação na Nuvem

Abstract

Entre as principais motivações de adesão à Computação na Nuvem pode-se citar a otimização de recursos computacionais e controle de custos. A melhora no uso de recursos computacionais deve ser alcançada tanto da perspectiva do usuário como do provedor. Entretanto, diferente do que ocorre em Data Centers tradicionais, os recursos da Nuvem são compartilhados entre diferentes usuários e, em geral, o provedor de serviços possui pouco ou nenhuma informação sobre o tipo de carga de trabalho submetido nas máquinas virtuais. Esta cenário pode levar a uma situação de distribuição de carga ruim resultando em violações de SLA e QoS. Através de uma metodologia analítica, este artigo apresenta a avaliação de duas estratégias de caracterização de carga de trabalho, ambas baseadas em técnicas de Aprendizagem de Máquina (Naive Bayes e Árvores de Decisão). Além disso, este trabalho discute e apresenta alguns índices de carga que podem ser coletados por agentes SNMP, impondo pouca sobrecarga ao sistema (em torno de 2%). Os resultados mostram que as Árvores de Decisão são mais rápidas, mas mais sensíveis na variação das métricas. Já o Naive Bayes possui maior precisão em algumas situações, mas os dados precisam ser discretizados para que possam ser utilizados.