Autoflex: Service Agnostic Auto-scaling Framework for IaaS Deployment Models

MORAIS, FÁBIO HENRIQUE DE SIQUEIRA; Brasileiro, Francisco; Lopes, Raquel; Araújo, Ricardo M.; Satterfield, Wade; Rosa, Leandro de Souza

doi:10.1109/ccgrid.2013.74

Cited by 28 publications

(8 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…This strategy is commonly used by auto-scalers that only support vertical scaling, as for a single machine, resource usage can substitute workload intensity. Some proposals [Islam et al 2010;Caron et al 2011;Almeida Morais et al 2013] that target horizontal scaling also follow this strategy to accomplish both workload prediction and resource estimation together. [Gong et al 2010] used signal processing to discover the longest repeating pattern of resource usage and then relied on dynamic time warping (DTW) algorithm to make the prediction.…”

Section: Proactive Scalingmentioning

confidence: 99%

See 1 more Smart Citation

Auto-Scaling Web Applications in Clouds

2018

View full text Add to dashboard Cite

Web application providers have been migrating their applications to cloud data centers, attracted by the emerging cloud computing paradigm. One of the appealing features of the cloud is elasticity. It allows cloud users to acquire or release computing resources on-demand, which enables web application providers to automatically scale the resources provisioned to their applications without human intervention under a dynamic workload to minimize resource cost while satisfying Quality of Service (QoS) requirements. In this paper, we comprehensively analyze the challenges that remain in auto-scaling web applications in clouds and review the developments in this field. We present a taxonomy of auto-scalers according to the identified challenges and key properties. We analyze the surveyed works and map them to the taxonomy to identify the weaknesses in this field. Moreover, based on the analysis, we propose new future directions that can be explored in this area.

show abstract

Section: Proactive Scalingmentioning

confidence: 99%

“…[Yazdanov and Fetzer 2012] utilized an auto-regressive (AR) method to predict short-term CPU usage. [Almeida Morais et al 2013] employed multiple time series algorithms to predict CPU usage, and based on their runtime accuracy, the best is selected. [Loff and Garcia 2014] also used various prediction algorithms.…”

Section: Proactive Scalingmentioning

confidence: 99%

Auto-Scaling Web Applications in Clouds

2018

View full text Add to dashboard Cite

show abstract

“…The RL is realized by using parallel learning; that is, the authors intend to speed up agent's learning process of approximated model by learning in parallel, without visiting every state-action pair in a given environment. The approaches that rely on demand prediction (e.g., the Autoflex [25] and PRESS [80,129,42,60,90]) are also regarded as implicit search. This is because the autoscaling decision is directly predicted by the demand models, without the needs of reasoning and optimization.…”

Section: Search-based Optimizationmentioning

confidence: 99%

A Survey and Taxonomy of Self-Aware and Self-Adaptive Cloud Autoscaling Systems

2018

View full text Add to dashboard Cite

Autoscaling system can recon gure cloud-based services and applications, through various con gurations of cloud so ware and provisions of hardware resources, to adapt to the changing environment at runtime. Such a behavior o ers the foundation for achieving elasticity in modern cloud computing paradigm. Given the dynamic and uncertain nature of the shared cloud infrastructure, cloud autoscaling system has been engineered as one of the most complex, sophisticated and intelligent artifacts created by human, aiming to achieve self-aware, self-adaptive and dependable runtime scaling. Yet, existing Self-aware and Self-adaptive Cloud Autoscaling System (SSCAS) is not mature to a state that it can be reliably exploited in the cloud. In this article, we survey the state-of-the-art research studies on SSCAS and provide a comprehensive taxonomy for this eld. We present detailed analysis of the results and provide insights on open challenges, as well as the promising directions that are worth investigated in the future work of this area of research. Our survey and taxonomy contribute to the fundamentals of engineering more intelligent autoscaling systems in the cloud.

show abstract

“…Ωστόσο, οι καθαρά Προληπτικές τεχνικές τείνουν να υστερούν στην αντιμετώπιση ξαφνικών φαινομένων στη διακύμανση του φόρτου. Για να ξεπεράσουν αυτή τη δυσκολία, κάποιες εργασίες [78,25,35] υιοθετούν μία υβριδική προσέγγιση. Οι εργασίες [24,70] προτείνουν τη χρήση μίας Αντιδραστικής προσέγγισης κατά την επέκταση προς τα επάνω και μίας Προληπτικής προσέγγισης κατά τη συρρίκνωση.…”

Section: ενεργοποίηση διαδικασίας λήψης αποφάσεωνunclassified

“…Οι εργασίες [25,24,94,95,39] χρησιμοποιούν προσομοίωση για το στάδιο της αξιολόγησης, όπως π.χ. χρήση της σουίτας στατιστικών R [18] ή του πλαισίου προσομοίωσης OMNeT++ [120].…”

Section: μεθοδολογία αξιολόγησηςunclassified

Διαχείριση Ελαστικότητας Μη-Σχεσιακών Βάσεων Δεδομένων Σε Υποδομές Νέφους

Νάσκος¹

View full text Add to dashboard Cite

Οι υποδομές νέφους έχουν συγκεντρώσει το ενδιαφέρον τόσο της ερευνητικής όσο και της επιχειρηματικής κοινότητας, καθώς προσφέρουν μοναδικά χαρακτηριστικά, τα οποία αν αξιοποιηθούν με αποδοτικό τρόπο μπορούν να οδηγήσουν στη βέλτιστη επίτευξη στόχων όπως η εγγύηση της απόδοσης, η διασφάλιση της ακεραιότητας των δεδομένων, η μείωση του λειτουργικού κόστους, κ.α.. Ένα δυνατό χαρακτηριστικό των υποδομών νέφους είναι η δυνατότητα ελαστικής διαχείρισης των διαθέσιμων πόρων (ελαστικότητα). Αυτό το χαρακτηριστικό αναφέρεται είτε στην οριζόντια κλιμάκωση (προσθήκη/αφαίρεση Εικονικών Μηχανών (ΕΜ)), είτε στην κάθετη κλιμάκωση (π.χ. προσθήκη αφαίρεση κύριας μνήμης RAM), είτε στη μετανάστευση των ΕΜ σε διαφορετικά φυσικά μηχανήματα. Η παρούσα διατριβή προτείνει μία καινοτόμο μέθοδο διαχείρισης της οριζόντιας κλιμάκωσης που βασίζεται στον πιθανοκρατικό έλεγχο μοντέλων, επαληθεύοντας ιδιότητες συστήματος, για την επίλυση μοντέλων που αναπαριστούν την ελαστική συμπεριφορά του συστήματος. Τα αποτελέσματα της επίλυσης επιτρέπουν την ανάλυση της δυναμικής συμπεριφοράς του συστήματος και συνδυάζονται με πολιτικές λήψης αποφάσεων ελαστικότητας πόρων, για τη βέλτιστη αυτοματοποιημένη διαχείριση της οριζόντιας κλιμάκωσης των ΕΜ, που εξυπηρετούν μη-σχεσιακές βάσεις δεδομένων. Μέσω της πειραματικής αξιολόγησης αναδεικνύεται η αποδοτικότητα της προτεινόμενης μεθοδολογίας, επιτυγχάνοντας αξιόπιστες και ρυθμιζόμενες ισορροπίες μεταξύ αντικρουόμενων στόχων, όπως (i) η απόδοση του συστήματος, αποφεύγοντας την υπέρ-δέσμευση πόρων, (ii) η απόδοση του συστήματος και η διασφάλιση της ακεραιότητας των αποθηκευμένων δεδομένων και (iii) η διατήρηση της απόδοσης του συστήματος, ελαχιστοποιώντας το λειτουργικό κόστος της υποδομής.

show abstract

Autoflex: Service Agnostic Auto-scaling Framework for IaaS Deployment Models

Cited by 28 publications

References 11 publications

Auto-Scaling Web Applications in Clouds

Auto-Scaling Web Applications in Clouds

A Survey and Taxonomy of Self-Aware and Self-Adaptive Cloud Autoscaling Systems

Διαχείριση Ελαστικότητας Μη-Σχεσιακών Βάσεων Δεδομένων Σε Υποδομές Νέφους

Contact Info

Product

Resources

About