An Analysis of Optimization Algorithms designed to fully comply with SLA in Cloud Computing

Abstract

Abstract-Nowadays the access to a cloud computing environment is provided on-demand offering transparent services to customers. Although the cloud allows an abstraction of the behavior of the service providers in the infrastructure (involving logical and physical resources), it remains a challenge to fully comply with the Service Level Agreements (SLAs), because, depending on the service demand and system configuration, the providers may not be able to meet the requirements of the customers. There is a need for mechanisms that take account of load balancing algorithms to provide an efficient load distribution with the available resources. However, the studies in the literature do not effectively address the problem of the availability of resources to meet customers' requirements with analysis restricted to a limited set of objectives. This paper proposes algorithms to address the need for optimization when handling computational resources during the execution time. The methods optimize the efficient use of the resources available in the infrastructure aiming to comply with the service level agreements defined between client and provider.

Relatório Final Do Projeto “A Realidade Aumentada No Contexto Da Indústria 4.0 Nas Etapas De Simulação, Supervisão E Manutenção De Processos Industriais”

“…A Algoritmo 22,23,28,29,32,35,135,136,137,138,139,140,141,143,144,202,207,262,289,290,297,298,300 Algoritmo genético 23,28,32,35 Aplicativos 21,99,200,215,246,249,250,252,254,255,270,271,272,275,276,277,281 Aprendizado de máquina 21,22,23,27,289,301 Arduino 158,159,160,162,163,164,165,166,167,216,217,…”

“…O aprendizado de máquina também vem sendo usado em diversas outras áreas em [4] é utilizado na predição de recursos de computação em nuvem para aplicações multimídia, com o objetivo de atingir um maior equilíbrio no uso dos recursos computacionais do ambiente em nuvem e para garantir a QoS e em [23] a predição é utilizada com o objetivo de garantir o SLA contratado. Para tanto, foi desenvolvida uma solução de alocação de recursos dinâmicos baseada em aprendizado de máquina de modo que, para cada tarefa, fosse feita uma predição dos recursos de acordo com seu histórico de uso.…”

“…Câncer de mama 92,93,94,95,96,97,98,99,100,101,102,103,104,105,106,107,108,109,168,169,170,171,172,173,175,176,177 Código aberto 189,193,239,281,287 Computação 21,22,23,34,37,48,49,50,52,53,55,59,60,61,62,63,73,149,150,156,157,160,163,169,202,205,206,210,211,214,…”

Mecanismos de autoconfiguração e auto-otimização para arquiteturas virtualizadas que visam a provisão de qualidade de serviço

“…Tabela 7 -Tempo de resposta e número de combinações obtidas com o algoritmo determinístico para a execução de 10 cenários de 10 até 100 VMs disponíveis (NAKAMURA et al, 2017). Em um data center com 20 MVs disponíveis ao cliente, o tempo de resposta já é consideravelmente alto, atingindo um valor de 2,19 (escala em minutos).…”

“…Tabela 8 -Tempo médio para alcançar soluções ótimas com o algoritmo µAG (AZEVEDO, 2016) (NAKAMURA et al, 2017). Analisando os resultados do algoritmo µAG é possível comprovar a sua eficiência para obter uma solução para o problema.…”