Aplicação de Machine Learning à Predição de Tempo de Execução em FaaS com o Framework Orama
Resumo
Um dos principais desafios em Function-as-a-Service (FaaS) é a imprevisibilidade do tempo de execução das funções, o que pode causar aumento de custos e degradação de desempenho em aplicações distribuídas entre provedores de nuvem. Este artigo apresenta um preditor baseado em Machine Learning (ML) integrado ao Framework Orama, que combina métricas estáticas de código (medidas de complexidade de Halstead) e dados empíricos de desempenho para estimar o tempo de execução diretamente a partir do código-fonte. Foram avaliadas três arquiteturas de redes neurais (Dense, LSTM e BLSTM), sendo a BLSTM a que apresentou maior precisão.
Referências
Carvalho, L. R. d., Kamienski, B., and Araujo, A. (2024). Main FaaS Providers Behavior Under High Concurrency: An Evaluation with Orama Framework Distributed Architecture. SN Computer Science, 5(5):541.
Dakkak, A., Li, C., Garcia de Gonzalo, S., Xiong, J., and Hwu, W.-m. (2019). Trims: Transparent and isolated model sharing for low latency deep learning inference in function-as-a-service. In 2019 IEEE 12th International Conference on Cloud Computing (CLOUD), pages 372–382.
Filippini, F., Cavenaghi, L., Calmi, N., Savi, M., and Ciavotta, M. (2025). Ml-based performance modeling in edge faas systems. In European Conference on Service-Oriented and Cloud Computing, pages 112–127. Springer.
Horovitz, S., Amos, R., Baruch, O., Cohen, T., Oyar, T., and Deri, A. (2019). Faastest - machine learning based cost and performance faas optimization. In Coppola, M., Carlini, E., D’Agostino, D., Altmann, J., and Bañares, J. Á., editors, Economics of Grids, Clouds, Systems, and Services, pages 171–186, Cham. Springer International Publishing.
Nupponen, J. and Taibi, D. (2020). Serverless: What it is, what to do and what not to do. In 2020 IEEE ICSA-C, pages 49–50.
Pandey, M. and Kwon, Y.-W. (2024). Funcmem: reducing cold start latency in serverless computing through memory prediction and adaptive task execution. In Proceedings of the 39th ACM/SIGAPP symposium on applied computing, pages 131–138.
Tomaras, D., Tsenos, M., and Kalogeraki, V. (2023). Prediction-driven resource provisioning for serverless container runtimes. In 2023 IEEE International Conference on Autonomic Computing and Self-Organizing Systems (ACSOS), pages 1–6.
Dakkak, A., Li, C., Garcia de Gonzalo, S., Xiong, J., and Hwu, W.-m. (2019). Trims: Transparent and isolated model sharing for low latency deep learning inference in function-as-a-service. In 2019 IEEE 12th International Conference on Cloud Computing (CLOUD), pages 372–382.
Filippini, F., Cavenaghi, L., Calmi, N., Savi, M., and Ciavotta, M. (2025). Ml-based performance modeling in edge faas systems. In European Conference on Service-Oriented and Cloud Computing, pages 112–127. Springer.
Horovitz, S., Amos, R., Baruch, O., Cohen, T., Oyar, T., and Deri, A. (2019). Faastest - machine learning based cost and performance faas optimization. In Coppola, M., Carlini, E., D’Agostino, D., Altmann, J., and Bañares, J. Á., editors, Economics of Grids, Clouds, Systems, and Services, pages 171–186, Cham. Springer International Publishing.
Nupponen, J. and Taibi, D. (2020). Serverless: What it is, what to do and what not to do. In 2020 IEEE ICSA-C, pages 49–50.
Pandey, M. and Kwon, Y.-W. (2024). Funcmem: reducing cold start latency in serverless computing through memory prediction and adaptive task execution. In Proceedings of the 39th ACM/SIGAPP symposium on applied computing, pages 131–138.
Tomaras, D., Tsenos, M., and Kalogeraki, V. (2023). Prediction-driven resource provisioning for serverless container runtimes. In 2023 IEEE International Conference on Autonomic Computing and Self-Organizing Systems (ACSOS), pages 1–6.
Publicado
04/12/2025
Como Citar
CARVALHO, Leonardo Rebouças de; ROCHA FILHO, Geraldo Pereira; ARAUJO, Aleteia.
Aplicação de Machine Learning à Predição de Tempo de Execução em FaaS com o Framework Orama. In: ESCOLA REGIONAL DE INFORMÁTICA DE GOIÁS (ERI-GO), 13. , 2025, Luziânia/GO.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 382-386.
DOI: https://doi.org/10.5753/erigo.2025.17418.
