Skip navigation
Please use this identifier to cite or link to this item: https://repositorio.unb.br/handle/10482/41391
Files in This Item:
File Description SizeFormat 
2021_GustavoJardimPortella.pdf3,69 MBAdobe PDFView/Open
Title: Precificação em computação em nuvem para instâncias permanentes e transientes : modelagem e previsão
Authors: Portella, Gustavo Jardim
Orientador(es):: Melo, Alba Cristina Magalhães Alves de
Coorientador(es):: Rodrigues, Genaína Nunes
Assunto:: Computação em nuvem
Precificação on demand e spot
Análise estatística
Função de utilidade
Redes neurais (Computação)
Issue Date: 12-Jun-2021
Citation: PORTELLA, Gustavo Jardim. Precificação em Computação em Nuvem para Instâncias Permanentes e Transientes : Modelagem e Previsão. 2021. xvii, 160 f., il. Tese (Doutorado em Informática)—Universidade de Brasília, Brasília, 2021.
Abstract: A computação em nuvem se consolidou como um modelo de computação distribuída em larga escala, onde provedores oferecem instâncias de máquinas virtuais utilizando diferen- tes modelos de precificação. Na precificação on demand, o preço cobrado do usuário é fixo por período de utilização. A precificação spot da AWS surgiu para o melhor aproveita- mento da infraestrutura, sendo que os preços são variáveis e, em geral, menores do que os preços on demand, podendo haver revogação das instâncias. Assim, a modelagem da precificação spot, visando redução de custo e aumento de disponibilidade, consiste em um importante desafio, abordado de forma específica em diversos trabalhos da literatura. No entanto, uma abordagem que consiga avaliar variações de preço a curto prazo, bem como identificar tendências a longo prazo, permanece um problema em aberto. O principal ob- jetivo desta Tese consiste na modelagem da precificação de instâncias permanentes e tran- sientes, de modo que os desafios de redução de custo e aumento de disponibilidade sejam superados. Para isso, inicialmente foi analisado o comportamento dos preços das instân- cias spot, visando oferecer ao usuário uma estimativa de lance a curto prazo, alcançando 25% do preço on demand. O próximo passo consistiu na determinação uma função de utilidade que considera tanto o preço quanto a disponibilidade das instâncias spot, ofe- recendo lances a curto prazo que balanceiam esses dois objetivos conflitantes, atingindo 28,82% do preço on demand com disponibilidade prevista de 98,19%. Em seguida, foi projetado um arcabouço flexível com base em redes neurais LSTM (Long Short Term Memory), capaz de determinar tendências de preço spot a longo prazo, com baixo erro. O arcabouço LSTM e a função de utilidade foram combinados em um mecanismo, de forma a selecionar a instância spot de acordo com a tendência de preços e definir o valor lance mais apropriado. Finalmente, o mecanismo combinado foi utilizado por uma aplicação para execução de 218.179 comparações de sequências do SARS-CoV-2, fornecendo boas opções de instâncias spot, com baixo custo e alta disponibilidade. O custo médio obser- vado foi de 40% do preço on demand, mantendo a instância por 8 horas, com menor custo por comparação e maior número de sequências comparadas do que outras abordagens.
Abstract: Cloud computing has consolidated itself as a large-scale distributed computing model, where providers offer instances of virtual machines using different pricing models. In the on-demand pricing, the price charged to the user is fixed by period of use. AWS spot pricing emerged for a better use of the infrastructure, with prices being variable and, in general, lower than on demand prices, with the possibility of instance revocation. Thus, the modeling of spot pricing, aiming to reduce costs and increase availability, is an important challenge, addressed specifically in several works in the literature. However, an approach that can assess short-term price changes, as well as identify long-term trends, remains an open problem. The main objective of this PhD Thesis is to model the pricing of permanent and transient instances, so that the challenges of reducing costs and increasing availability are overcome. For this purpose, the price behavior of the spot instances was initially modeled, aiming to offer the user a short-term bid estimate, reaching 25% of the price on demand. The next step was to determine a utility function that considers both price and availability, offering short-term bids for the spot maximum price that balance these two conflicting objectives, reaching up to 28.82% of the on demand price with an expected availability of 98.19%. Then, a flexible framework was designed based on Long Short Term Memory (LSTM) neural networks, capable of determining long-term spot price trends, with low error. The LSTM framework and the utility function were combined in one mechanism, in order to select the spot instance according to the price trend and define the most appropriate spot maximum price value. Finally, the combined mechanism was used by an application that performs 218,179 SARS-CoV-2 sequence comparisons, providing good spot instances options, with low cost and high availability. The average cost observed was 40% of the on demand price, maintaining the instance for 8 hours, with lower cost per comparison and a greater number of sequences compared than other approaches.
Description: Tese (doutorado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2021.
Licença:: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Appears in Collections:CIC - Doutorado em Informática (Teses)

Show full item record Recommend this item " class="statisticsLink btn btn-primary" href="/handle/10482/41391/statistics">



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.