Agendamento de Contêineres Ciente da QoE
Resumo
O provedor de nuvem compartilha seus recursos computacionais entre diferentes clientes, co-localizando as aplicações no mesmo servidor. No entanto, isso pode causar degradação nas aplicações. Além disso, os provedores de nuvem utilizam métricas de Qualidade de Serviço (QoS) como forma de medir a qualidade do serviço entregue aos seus clientes. Essas métricas são pré-estabelecidas e especificadas no Service Level Objective (SLO). Contudo, o SLO baseado em QoS é insuficiente para garantir aos usuários das aplicações uma boa Qualidade de Experiência (QoE). A dissertação lida com esse problema, propondo um agendador de contêiner ciente da QoE em um ambiente de nuvem onde as aplicações sofrem interferência causada pela co-localização. Propomos uma nova abordagem que utiliza métodos de aprendizado de máquina para estimar a QoE que a nuvem pode oferecer, considerando atributos da nuvem. Experimentos mostraram que o agendamento com reconhecimento da QoE pode melhorar a QoE dos usuários, assim como reduzir o uso de recursos.
Referências
Carvalho, M. and Macedo, D. F. (2021). Qoe-aware container scheduler for co-located cloud environments. In 2021 IFIP/IEEE International Symposium on Integrated Network Management (IM), pages 286–294.
De Cicco, L., Mascolo, S., and Palmisano, V. (2019). QoE-driven resource allocation for massive video distribution. Ad Hoc Networks, 89:170–176.
Haouari, F., Baccour, E., Erbad, A., Mohamed, A., and Guizani, M. (2019). Qoe-aware resource allocation for crowdsourced live streaming: A machine learning approach. In ICC 2019-2019 IEEE International Conference on Communications (ICC), pages 1–6. IEEE.
ITU Telecommunication Standardization Sector (2017). ITU-T Rec P.1203: Parametric bitstream-based quality assessment of progressive download and adaptive audiovisual streaming services over reliable transport.
Juluri, P., Tamarapalli, V., and Medhi, D. (2015). Measurement of quality of experience of video-on-demand services: A survey. IEEE Communications Surveys & Tutorials, 18(1):401–418.
Lai, Y.-J., Liu, T.-Y., and Hwang, C.-L. (1994). Topsis for modm. European journal of operational research, 76(3):486–500.
Liu, B., Li, P., Lin, W., Shu, N., Li, Y., and Chang, V. (2018). A new container scheduling algorithm based on multi-objective optimization. Soft Computing, 22(23):7741–7752.
Mao, Y., Oak, J., Pompili, A., Beer, D., Han, T., and Hu, P. (2017). Draps: Dynamic and resource-aware placement scheme for docker containers in a heterogeneous cluster. In 2017 IEEE 36th International Performance Computing and Communications Conference (IPCCC), pages 1–8. IEEE.
Masdari, M. and Khoshnevis, A. (2020). A survey and classification of the workload forecasting methods in cloud computing. Cluster Computing, 23(4):2399–2424.
Menouer, T. (2021). Kcss: Kubernetes container scheduling strategy. The Journal of Supercomputing, 77(5):4267–4293.
Municio, E., Cevik, M., Ruth, P., and Marquez-Barja, J. M. (2021). Experimenting in a global multi-domain testbed. In IEEE INFOCOM 2021-IEEE Conference on Computer Communications Workshops (INFOCOM WKSHPS), pages 1–2. IEEE.
