Análise de Sensibilidade de
Modelos Hierárquicos para
Computação em Nuvem
Rubens de Souza Matos Júnior
Orientador: 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, ...
MTTF_1
MTTR_1
2
1
MTTF_2
3
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 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).
A.S. em Modelos Hierárquicos
1/MTTF
Down
Up
X
Y
Z
1/MTTD
1/MTTR
Repairing
A Sys =AX ⋅ AY⋅ AZ
A X =P (Ativo )
MTTF Y
AY =
MTTF Y +MTTRY
∂ ASys
∂ MTTF X
=
(
∂ AX
∂ MTTF X
) (
⋅ AY⋅ A Z +AX ⋅
∂ A Y⋅ A Z
∂ MTTF X
)
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
∂ ACLC
∂ θi
∂ ACC
∂ θi
Calculados com a ajuda de
frameworks de álgebra computacional,
e.g. GiNaC, Wolfram Mathematica.
Índice de sensibilidade para modelo
com CLC e CC redundantes
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