Estudo da asignación de recursos en contornos serverless mediante análise e predición de series temporais

Abstract

[Resumo]: A lóxica de computación Serverless preséntase como a seguinte evolución da Cloud Computing, ofrecendo unha optimización de custos e eficiencia ao abstraer por completo a xestión da infraestrutura. Con todo, as súas implementacións máis estendidas, como a Function as a Service (FaaS), mostran importantes limitacións para executar cargas de traballo complexas e de longa duración, propias do eido do Big Data. Baseándose nos traballos previos do Grupo de Arquitectura de Computadores (GAC) da UDC —que ofrecen unha plataforma para o despregamento de clústeres Yet Another Resource Negotiator (YARN) sobre Contedores con capacidades Serverless—, este traballo sitúase na necesidade subseguinte de cuantificar o impacto real que estas novas políticas de asignación dinámica teñen sobre as aplicacións. O obxectivo central deste Traballo Fin de Grao é, polo tanto, modelar e predicir a «deformación » que sofre o perfil de execución dunha aplicación ao ser sometida a un contorno de recursos restrinxido dinamicamente, permitindo así ao usuario final tomar decisións informadas sobre o compromiso entre o tempo de execución e o custo computacional. Para a consecución do obxectivo, desenvólvense modelos de Machine Learning (Aprendizaxe Automática) que, partindo de series temporais de consumo de recursos xeradas experimentalmente sobre a plataforma, son capaces de estimar tanto o novo tempo de execución como o aforro en custo. Finalmente, deséñase unha interface de visualización que facilita a interacción con estes modelos e a interpretación dos seus resultados.