Previsão da Classe de Frequência de Acesso de Objetos em Serviços de Armazenamento em Nuvem

• Flávio A. A. Motta UFV
• Patrick R. P. Lemes UFJF
• Glauber D. Golçalves UFPI
• Heder S. Bernardino UFJF
• Saulo M. Villela UFJF
• Alex B. Vieira UFV / UFJF

DOI: https://doi.org/10.5753/sbrc.2022.222338

Resumo

Os serviços de armazenamento em nuvem oferecem vantagens para usuários domésticos e corporativos como backup, replicação de dados em diferentes locais, compartilhamento de dados e trabalho colaborativo. Além disso, os provedores desses serviços oferecem armazenamento em nuvem hierárquico com múltiplas opções de preços baseado no nível de armazenamento utilizado. Neste artigo, investigamos um aspecto relevante sobre os custos desse serviço para os usuários: a previsão da classe de acesso ao dado como frequente ou infrequente e sua alocação em um nível de armazenamento adequado. Nesse sentido, propomos um modelo de aprendizado de máquina que prevê as classes apropriadas com base em padrões de acesso a dados. Avaliamos o desempenho desse modelo através de base orientadas a traços de dados de um serviço real. Métodos de alocação de dados utilizados na literatura demonstram um potencial de melhoria de até 41% em relação a métodos tradicionais de armazenamento em nuvem. Nossos resultados mostram que existe um potencial de economia no custo de armazenamento de até 15,92% quando comparado a métodos de alocação de dados utilizado na literatura.

Referências

Bocchi, E., Drago, I., and Mellia, M. (2015). Personal Cloud Storage: Usage, Performance and Impact of Terminals. In Proc. of the IEEE CloudNet.

Chawla, N. V., Bowyer, K. W., Hall, L. O., and Kegelmeyer, W. P. (2002). Smote: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16:321–357.

Cisco (2019). Cisco Global Cloud Index: Forecast and Methodology, 2016–2021 White Paper. Disponível em https://www.cisco.com Document ID 1513879861264127.

Erradi, A. and Mansouri, Y. (2020). Online cost optimization algorithms for tiered cloud storage services. Journal of Systems and Software, 160:110457.

Gonçalves, G., Drago, I., Silva, A. P. C., Vieira, A. B., and Almeida, J. M. (2016). The IEEE Internet impact of content sharing on cloud storage bandwidth consumption. Computing, 20(4):26–35.

Gracia-Tinedo, R., García-López, P., Gómez, A., and Illana, A. (2016). Understanding data sharing in private personal clouds. In Proc. of the IEEE CLOUD.

Hsu, Y., Irie, R., Murata, S., and Matsuoka, M. (2018). A novel automated cloud storage tiering system through hot-cold data classification. In Proc. of the IEEE CLOUD.

Irie, R., Murata, S., Hsu, Y., and Matsuoka, M. (2018). A novel automated tiered storage architecture for achieving both cost saving and qoe. In Proc. of the IEEE SC2.

Kaushik, R. T. and Bhandarkar, M. (2010). Greenhdfs: towards an energy-conserving, storage-efficient, hybrid hadoop compute cluster. In Proc. of the USENIX.

Liu, M., Pan, L., and Liu, S. (2019). To transfer or not: An online cost optimization algorithm for using two-tier storage-as-a-service clouds. IEEE Access, 7:94263–94275.

Liu, M., Pan, L., and Liu, S. (2021). Keep hot or go cold: A randomized online migration algorithm for cost optimization in staas clouds. IEEE Transactions on Network and Service Management.

Mesnier, M., Ganger, G. R., and Riedel, E. (2003). Object-based storage. IEEE Communications Magazine, 41(8):84–90.

Ribeiro, S., Gonçalves, G., Silva, F., Vieira, A., and Almeida, J. (2020). Análise de um serviço virtual de armazenamento que explora classes de objetos na nuvem e padrões de acesso. In Anais do XIX Workshop em Desempenho de Sistemas Computacionais e de Comunicação, pages 85–96, Porto Alegre, RS, Brasil. SBC.

Subramanian, M., Lloyd, W., Roy, S., Hill, C., Lin, E., Liu, W., Pan, S., Shankar, S., Viswanathan, S., Tang, L., and Kumar, S. (2014). f4: Facebook’s warm blob storage system. In Proc. of the OSDI.