Modelos Estocásticos para Análise de Desempenho e Custo de uma Arquitetura Distribuída Nuvem e Névoa

• Francisco Airton Silva UFPI
• Glauber Dias Gonçalves UFPI
• Iure Fé Exército Brasileiro
• Jederilson Luz UFPI
• Erick MacGregor UFPI

DOI: https://doi.org/10.5753/sbrc.2019.7395

Resumo

A computação em nuvem e a computação em névoa podem trabalhar em conjunto para atender diferentes tipos de aplicações. Porém, levando em consideração variáveis como latência, carga de trabalho e capacidade computacional, se torna complexo definir em que circunstâncias é mais vantajoso usar a camada de nuvem ou a névoa. Este artigo propõe um modelo de Rede de Petri Estocástica (SPN) para modelar tal cenário considerando a nuvem e a névoa com variadas quantidades de nós e variadas cargas de trabalho. Apresentamos também um estudo de utilização do modelo que serve como um guia prático para auxiliar administradores de infraestruturas computacionais a adequar suas arquiteturas encontrando um compromisso satisfatório entre custo e desempenho.

Palavras-chave: Computação em Névoa, Redes de Petri, Gerenciamento de Infraestrutura

Referências

Almutairi, L. M. and Shetty, S. (2017). Generalized stochastic petri net model based security risk assessment of software defined networks. In Proc. of IEEE MILCOM.

Amarasinghe, G., de Assunc¸ ão, M. D., Harwood, A., and Karunasekera, S. (2018). A data stream processing optimisation framework for edge computing applications. In Proc. of IEEE ISORC.

Borthakur, D., Dubey, H., Constant, N., Mahler, L., and Mankodiya, K. (2017). Smart fog: Fog computing framework for unsupervised clustering analytics in wearable internet of things. In Proc. of IEEE GlobalSIP.

Elkhatib, Y., Porter, B., Ribeiro, H. B., Zhani, M. F., Qadir, J., and Rivi`ere, E. (2017). On using micro-clouds to deliver the fog. arXiv preprint arXiv:1703.00375.

Labadi, K., Benarbia, T., Barbot, J., Hamaci, S., and Omari, A. (2015). Stochastic petri net modeling, simulation and analysis of public bicycle sharing systems. IEEE Transactions on Automation Science and Engineering, 12(4):1380–1395.

Li, H., Ota, K., and Dong, M. (2018). Learning iot in edge: Deep learning for the internet of things with edge computing. IEEE Network, 32(1):96–101.

Li, Y., Orgerie, A., Rodero, I., Parashar, M., and Menaud, J. (2017). Leveraging renewable energy in edge clouds for data stream analysis in iot. In Proc. of IEEE/ACM CCGRID.

Little, J. D. (1961). A proof for the queuing formula: L= w. Operations research, 9(3):383–387.

Mehta, A., T¨arneberg,W., Klein, C., Tordsson, J., Kihl, M., and Elmroth, E. (2016). How beneficial are intermediate layer data centers in mobile edge networks? In Proc. of IEEE FAS*W.

Perera, C., Qin, Y., Estrella, J. C., Reiff-Marganiec, S., and Vasilakos, A. V. (2017). Fog computing for sustainable smart cities: A survey. ACM Comp. Surv., 50(3):32:1–32:43.

Santos, G. L., Takako Endo, P., Ferreira da Silva Lisboa Tigre, M. F., Ferreira da Silva, L. G., Sadok, D., Kelner, J., and Lynn, T. (2018). Analyzing the availability and performance of an e-health system integrated with edge, fog and cloud infrastructures. Journal of Cloud Computing, 7(1):16.

Souza, V. B., Masip-Bruin, X., Marin-Tordera, E., Ramirez, W., and Sanchez, S. (2016). Towards distributed service allocation in fog-to-cloud (f2c) scenarios. In Proc. of IEEE GLOBECOM).

Vilalta, R., V´ıa, S., Mira, F., Casellas, R., Mu˜noz, R., Alonso-Zarate, J., Kousaridas, A., and Dillinger, M. (2018). Control and management of a connected car using sdn/nfv, fog computing and yang data models. In Proc. of IEEE NetSoft.

Walker, E. (2009). The real cost of a cpu hour. Computer, 42(4):35–41.

Wang, G. and Ng, T. E. (2010). The impact of virtualization on network performance of amazon ec2 data center. In Proc. of IEEE Infocom.

Xu, Y., Mahendran, V., Guo,W., and Radhakrishnan, S. (2017). Fairness in fog networks: Achieving fair throughput performance in mqtt-based iots. In Proc. of IEEE CCNC.