Cost-aware horizontal scaling of NoSQL databases using probabilistic model checking

Naskos, Athanasios; Gounaris, Anastasios; Katsaros, Panagiotis

doi:10.1007/s10586-017-0816-5

Cited by 10 publications

(10 citation statements)

References 42 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Decisions on adding or removing workers are modelled as MDPs. There is also existing work on cost-aware horizontal scaling of NoSQL databases (Naskos et al, 2015(Naskos et al, , 2017(Naskos et al, , 2018. These proposals are based on MDPs as well and they use probabilistic model checking as the main decision mechanism.…”

Section: Discussionmentioning

confidence: 99%

Resource auto-scaling for SQL-like queries in the cloud based on parallel reinforcement learning

Kandi

Yin

Hameurlain

2019

IJGUC

View full text Add to dashboard Cite

Cloud computing is a technology that provides on-demand services in which the number of assigned resources can be automatically adjusted. A key challenge is how to choose the right number of resources so that the overall monetary cost is minimised. This problem, known as auto-scaling, was addressed in some existing works but most of them are dedicated to web applications. In these applications, it is assumed that the queries are atomic and each of them uses a single resource for a short period of time. However, this assumption cannot be considered for database applications. A query, in this case, contains many dependent and long tasks so several resources are required. We propose in this work an auto-scaling method based on reinforcement learning. The method is coupled with placement-scheduling. In the experimental section, we show the advantage of coupling the auto-scaling to the placement-scheduling by comparing our work to an existing auto-scaling method.Reference to this paper should be made as follows: Kandi, M.M., Yin, S. and Hameurlain, A. (2019) 'Resource auto-scaling for SQL-like queries in the cloud based on parallel reinforcement learning', Int.

show abstract

Section: Discussionmentioning

confidence: 99%

Resource auto-scaling for SQL-like queries in the cloud based on parallel reinforcement learning

Kandi

Yin

Hameurlain

2019

IJGUC

View full text Add to dashboard Cite

show abstract

“…From the autoscaling perspective, the main technique for all the selected works is the formal method. However, only one study solely used the method 92 while the other researchers combined the formal method with other techniques such as Threshold‐based rules, 8,9,11,93 ML, 10 Queuing Theory 7 and Transformation algorithms 50 . In addition, the horizontal autoscaling dimension is more preferred over the vertical dimension as there are only two existing works found for the vertical autoscaling 10,50 .…”

Section: Comparison Studymentioning

confidence: 99%

“…Many autoscaling approaches have been proposed to tackle the increasing cloud workloads in microservice perspectives, however ways to guarantee the correctness of the policies used for the decision‐making are still unclear 6 . Meanwhile, the implementation of model checking in the autoscaling process is considered promising to ensure the quality of the decision‐making process in which this method has been used to verify cloud autoscaling which concerns several factors such as performance, 7,8 SLA, 9 reliability, 10 cost 11 and resources 12 . Model‐checking can provide assurance of several properties such as correctness and reachability of the autoscaling decision as well as guaranteeing the performance of the cloud service providers in provisioning resources.…”

Section: Introductionmentioning

confidence: 99%

A review of microservices autoscaling with formal verification perspective

2022

View full text Add to dashboard Cite

The process of scaling microservices is a challenging task, especially in maintaining optimum resource provisioning while respecting QoS constraints and SLA.Many research works have proposed autoscaling approaches for microservices, however, less likely concerned with the correctness guarantee of the proposed algorithms. Hence, it is significant to gather and summarize these approaches to foster future innovation. Meanwhile, a few reviews have been published concerning microservices from different aspects. Therefore, our review complements the existing by focusing on autoscaling with verification perspectives. This study highlights the recent contributions in three inter-related main topics that were published within the year 2017 to 2022, namely, microservice, verification, and autoscaling. Due to limited resources on verification for microservice autoscaling, we widen the perspective by considering the verification for autoscaling in cloud-based systems. Based on our findings, we found that the formal method is not a new thing in verifying the autoscaling policies in cloud-based systems, and one recent study that implements the formal method in the microservices area has been identified. Apart from the autoscaling techniques, we have also determined several factors that have been a concern in scaling the microservices as well as the relatable metrics. Meanwhile, from a verification perspective, we identified that probabilistic model checking is the common formal verification technique used to verify microservices and cloud autoscaling. Finally, we recommend open challenges from two perspectives which highlight the verification for existing microservice autoscaling and verification for ML-based microservice autoscaling.

show abstract

“…ΟΡΙΣΜΟΣ 1.1 (Ελαστικότητα Πόρων). Ορίζεται ως ελαστικότητα η ικανότητα με την οποία ένα σύστημα μπορεί να προσαρμόζεται στις αλλαγές του φόρτου με τη δέσμευση και αποδέσμευση πόρων με αυτοματοποιημένο τρόπο, ούτως ώστε ανά πάσα στιγμή οι διαθέσιμοι πόροι να ανταποκρίνονται όσον το δυνατόν πιο πιστά στην τρέχουσα ζήτηση [98].…”

Section: ελαστικότητα πόρωνunclassified

“…Αναφορικά με τις ενέργειες ελαστικότητας, η παρούσα διατριβή, όπως και η πλειοψηφία των εργασιών, χρησιμοποιεί την Οριζόντια Κλιμάκωση, κατά την οποία μεταβάλλεται δυναμικά ο αριθμός των ενεργών ΕΜ, π.χ. [104,32,39,118,82,100,98,99,48,113,26]. Η επιλογή της OE ως κεντρικής ενέργειας ελαστικότητας της παρούσας διατριβής βασίστηκε σε διάφορα κριτήρια όπως:…”

Section: ενέργειες ελαστικής διαχείρισης πόρωνunclassified

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

Cost-aware horizontal scaling of NoSQL databases using probabilistic model checking

Cited by 10 publications

References 42 publications

Resource auto-scaling for SQL-like queries in the cloud based on parallel reinforcement learning

Resource auto-scaling for SQL-like queries in the cloud based on parallel reinforcement learning

A review of microservices autoscaling with formal verification perspective

Διαχείριση Ελαστικότητας Μη-Σχεσιακών Βάσεων Δεδομένων Σε Υποδομές Νέφους

Contact Info

Product

Resources

About