Virtual Machine Scheduling for Energy and SLA Optimisation based in Metaheuristics and Forecasting Techniques in Cloud Computing

dc.contributor
Universitat de Lleida. Departament d'Informàtica i Enginyeria Industrial
dc.contributor.author
Vila Almenara, Sergi
dc.date.accessioned
2023-02-03T11:24:52Z
dc.date.available
2023-11-09T23:45:27Z
dc.date.issued
2022-11-09
dc.identifier.uri
http://hdl.handle.net/10803/687570
dc.description.abstract
El propòsit principal d’aquesta tesis és contribuir als entorns Cloud en la millora del consum energètic i de la Qualitat de Servei (QoS), a través dels Acords de Nivell de Servei (SLA), mitjançant tècniques que permetin prendre el nombre adequat de bones decisions. Realitzant les assignacions de tasques i migracions de màquines virtuals adquades, es pot arribar a obtenir centres de dades més estables i eficients, requerint una menor supervisió i correccions, garantint un nombre escencial de màquines físiques actives funcionant correctament i evitar la realització d’accions redundants. En aquesta tesis s’ha tractat amb dos tipus d’entorns amb workloads reals. Primerament, en els entorns estàtics, s’ha solucionat el Bin Packing Problem optimitzant l’energia i el temps de còmput (makespan) mitjançant un algorisme genètic multiobjectiu (BLEMO). En el segon problema, els entorns dinàmics, s’han desenvolupat diferents propostes. S’ha proposat un algorisme de selecció de màquines virtuals (WPSP) per tal de reduïr el nombre de migracions, energia, SLA Violation, juntament amb un algorisme d’assignació a host (MDG) per reduïr les comunicacions entre hosts, optimitzant el Bandwidth. S’ha combinat l’ús de les Bandes de Bollinger amb el framework Neural Prophet (BB+NeoPro) per tal de generar prediccions a més llarg termini, estabilitzant el centre de dades i optimitzant el nombre de migracions, energia i Violació de SLA. Finalment, s’ha desenvolupat una versió millorada de BB+NeoPro combinant WPSP, BB i Facebook Prophet (WBF), provant-la amb diferents càrregues de treball del Cloud per provar la seva robustesa. A més, s’ha extés el simulador Cloudsim, creant MetaCloudsim, incorporant noves funcionalitats, mètriques, cargues de treball, algorismes i eines.
ca
dc.description.abstract
El propósito principal de esta tesis es contribuir a los entornos Cloud en la mejora del consumo energético y de la Calidad de Servicio (QoS), por medio de los Acuerdos de Nivel de Servicio (SLA), mediante técnicas que permitan tomar el número adecuado de buenas decisiones. Realizando las asignaciones de tareas y migraciones de máquines virtuales adecuadas, se puede llegar a obtener centros de datos más estables y eficientes, requiriendo una menor supervisión y correcciones, garantizando una cantidad esencial de máquinas físicas activas funcionando correctamente y evitando la realización de acciones redundantes. En esta tesis se ha tratado con dos tipos de entornos con cargas de trabajo reales. En primer lugar, en los entornos estáticos, se ha resuelto el Bin Packing Problem optimizando la energía y el tiempo de ejecución (makespan) mediante un algoritmo genético multiobjetivo (BLEMO). En el segundo problema, los entornos dinámicos, se han desarrollado diferentes propuestas. Se ha propuesto un algoritmo de selección de máquinas virtuales (WPSP) para reducir el número de migraciones y Violación de SLA, junto con un algoritmo de asignación de host (MDG) para reducir las comunicaciones entre hosts, optimizando el ancho de banda. Se ha combinado el uso de las Bandas de Bollinger con el framework Neural Prophet (BB+NeoPro) para generar predicciones a más largo plazo, estabilizando el centro de datos y optimizando el número de migraciones, energía y Violación de SLA. Finalmente, se ha desarrollado una versión mejorada de BB+NeoPro combinando WPSP, BB y Facebook Prophet (WBF), probándola con diferentes cargas de trabajo del Cloud para validar su robustez. Además, se ha extendido el simulador Cloudsim, creando MetaCloudsim, incorporando nuevas funcionalidades, técnicas, cargas de trabajo, algoritmos y herramientas.
ca
dc.description.abstract
The main purpose of this thesis is to contribute to Cloud environments by improving energy consumption and Quality of Service (QoS), by means of the Service Level Agreement (SLA), through techniques that allow the correct decisions to be executed at the correct moment. Resource planning allows the needs and demands of each physical and virtual machine to be adapted to improve the overall system performance. By performing optimal task assignations and Virtual Machine migrations, datacenters become more stable and efficient, requiring less supervision and corrections, guaranteeing the indispensable number of active physical machines running properly and avoiding the performing of redundant actions. Two types of environments were dealt with during this thesis. Firstly, static environments were the focus, where the Bin Packing Problem was solved to optimise the energy and makespan proposing a multi-objective genetic algorithm (BLEMO). The next focus was on dynamic environments, in which different proposals were developed. Initially, a virtual machine selection algorithm (WPSP) was proposed to reduce the number of migrations and SLA violations. The proposal included a VM to host allocation algorithm (MDG) in order to reduce the total inter-host communications, and so optimising the network bandwidth. Next, the use of Bollinger Bands (BB) was combined with the NeuralProphet framework (BB+NeoPro) to generate long-term predictions. These enable consolidation of the VM to host allocations, reducing the number of migrations, energy consumption and SLA Violations. Furthermore, an improved version of BB+NeoPro was proposed by combining WPSP, BB and Facebook Prophet (WBF). This proposal was tested with different Cloud workloads from several providers in order to validate its robustness.
ca
dc.format.extent
93 p.
ca
dc.language.iso
eng
ca
dc.publisher
Universitat de Lleida
dc.rights.license
L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc-nd/4.0/
ca
dc.rights.uri
http://creativecommons.org/licenses/by-nc-nd/4.0/
*
dc.source
TDX (Tesis Doctorals en Xarxa)
dc.subject
Computació en el Núvol
ca
dc.subject
Balanceig de càrrega
ca
dc.subject
Previsió de dades
ca
dc.subject
Computación en la Nube
ca
dc.subject
Balanceo de carga
ca
dc.subject
Previsión de datos
ca
dc.subject
Cloud Computing
ca
dc.subject
Load Balancing
ca
dc.subject
Forecasting
ca
dc.subject.other
Arquitectura i Tecnologia de Computadors
ca
dc.title
Virtual Machine Scheduling for Energy and SLA Optimisation based in Metaheuristics and Forecasting Techniques in Cloud Computing
ca
dc.type
info:eu-repo/semantics/doctoralThesis
dc.type
info:eu-repo/semantics/publishedVersion
dc.subject.udc
004
ca
dc.contributor.director
Guirado Fernández, Fernando
dc.contributor.director
Lérida Monsó, Josep Lluís
dc.rights.accessLevel
info:eu-repo/semantics/openAccess


Documents

Tsva1de1.pdf

933.8Kb PDF

Aquest element apareix en la col·lecció o col·leccions següent(s)