Avaliação Experimental de Replicação em Banco de Dados para Recuperação de Desastres

• Wilson Medeiros Universidade Federal Rural de Pernambuco http://orcid.org/0000-0003-1688-9054
• Júlio Mendonça Universidade Federal de Pernambuco http://orcid.org/0000-0002-1432-1169
• Gabriel Alves Universidade Federal Rural de Pernambuco
• Ermeson Andrade Universidade Federal Rural de Pernambuco http://orcid.org/0000-0002-9614-4492

DOI: https://doi.org/10.5753/wperformance.2020.11111

Resumo

Os sistemas de TI são essenciais para as operações de qualquer negócio moderno. Tais sistemas precisam suportar as operações de suas empresas correspondentes sob quaisquer condições. Estratégias de Recuperação de Desastres (RD) têm sido implementadas para auxiliar as organizações a mitigar falhas inesperadas e reduzir gastos desnecessários. No entanto, no melhor do nosso conhecimento, nenhum trabalho analisa experimentalmente a replicação de dados na camada de banco de dados (BD) com foco em estratégias de RD. Desta forma, este trabalho avalia a replicação em BDs relacionais como uma forma de implementar uma solução de RD. Para isso, nós usamos um testbed real em um ambiente de nuvem pública para executar experimentos extensivos visando a implementação da replicação fornecida pelo MySQL, considerando vários cenários no contexto de RD. Nossos resultados mostram como o tempo de resposta, o Recovery Point Objective (RPO) e o Recovery Time Objective (RTO) variam de acordo com o tamanho dos dados replicados, o tipo de sincronização (ex.: assíncrona ou semissíncrona) e a configuração dos servidores slaves. Este trabalho pode auxiliar os coordenadores de RD ou indivíduos a decidir qual configuração de replicação de banco de dados para recuperação de desastres é melhor para seu ambiente de trabalho.

Palavras-chave: Banco de dados, Replicação, Recuperação de Desastres, Avaliação Experimental

Referências

Andrade, E., Nogueira, B., Matos, R., Callou, G., and Maciel, P. (2017). Availability modeling and analysis of a disaster-recovery-as-a-service solution. Computing,99(10):929–954.

Bauer, E., Adams, R., and Eustace, D. (2011).Beyond Redundancy: How Geographic Redundancy Can Improve Service Availability and Reliability of Computer-Based Systems. Wiley.

DB engines (2020). Db-engines ranking. [Online].https://bit.ly/2s90XvI.

Google (2020). Google Cloud. [Online].https://cloud.google.com.Halili,

E. H. (2008).Apache JMeter: A practical beginner’s guide to automated testing and performance measurement for your websites. Packt Publishing Ltd.

Hollander, M. and Wolfe, D. (1999).Nonparametric Statistical Methods. Wiley Series inProbability and Statistics. Wiley.

Jogi, V. D. and Sinha, A. (2016). Performance evaluation of MySQL, Cassandra and HBase for heavy write operation. In 2016 3rd International Conference on Recent Advances in Information Technology (RAIT), pages 586–590. IEEE.

Marsan, M., Balbo, G., Chiola, G., Conte, G., Donatelli, S., and Franceschinis, G.(1991). An introduction to generalized stochastic petri nets.Microelectronics Reliability, 31(4):699 – 725.

Mendonça, J., Medeiros, W., Andrade, E., Maciel, R., Maciel, P., and Lima, R. (2019).Evaluating database replication mechanisms for disaster recovery in cloud environ-ments. In 2019 IEEE International Conference on Systems, Man and Cybernetics(SMC), pages 2358–2363. IEEE.

Mendonça, J., Andrade, E., Endo, P. T., and Lima, R. (2019). Disaster recovery solutionsfor it systems: A systematic mapping study. Journal of Systems and Software, 149:511– 530.

Oracle (2020a). MySQL 8.0 Reference Manual. [Online].https://dev.mysql.com/doc/refman/8.0/en/.

Oracle (2020b). The BLOB and TEXT Types. [Online].https://dev.mysql.com/doc/refman/8.0/en/blob.html.

Reese, G. (2009).Cloud application architectures: building applications and infrastruc-ture in the cloud. ”O’Reilly Media, Inc.”.

Rodrigues, M., Vasconcelos, B., Gomes, C., and Tavares, E. (2019). Evaluation of nosql dbms in private cloud environment: An approach based on stochastic modeling. In 2019 IEEE International Systems Conference (SysCon), pages 1–7. IEEE.

Santana, M., Armendáriz-Iñigo, J. E., and Muñoz-Escoí, F. D. (2016). Evaluation of Database Replication Techniques for Cloud Systems. Computing and Informatics, 34(5):973–995.

Shay, T. (2018). Most popular databases in 2018 according to stackoverflow survey .[Online]. https://bit.ly/2DCwqhj.

Unitrends (2019). Data protection, cloud, and proof draas delivers – unitrends 2019 sur-vey results. Tech Report. [Online]. https://bit.ly/2XubXDo.

Wang, H., Li, J., Zhang, H., and Zhou, Y. (2014). Benchmarking replication and consistency strategies in cloud serving databases: Hbase and cassandra. In Workshop on BigData Benchmarks, Performance Optimization, and Emerging Hardware, pages 71–82.Springer.

Zetta, I. (2016). State of Disaster Recovery 2016. [Online].https://bit.ly/2H6TwhN.