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: 1 2 3 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 1 MTTF_2 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 Up Down X Y Z 1/MTTD 1/MTTR Repairing

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 Avaliação da Cadeia de Markov ? Sensibilidade da Disponibilidade

Índice de sensibilidade para modelo com CLC e CC redundantes Modelo RBD 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