Datenbestand vom 09. März 2024

Warenkorb Datenschutzhinweis Dissertationsdruck Dissertationsverlag Institutsreihen     Preisrechner

aktualisiert am 09. März 2024

ISBN 9783843915151

72,00 € inkl. MwSt, zzgl. Versand


978-3-8439-1515-1, Reihe Informatik

Anna Schwanengel
Orts-, zeit- und kostenbasiertes Ressourcenmanagement im Cloud Computing

170 Seiten, Dissertation Ludwig-Maximilians-Universität München (2014), Softcover, A5

Zusammenfassung / Abstract

Cloud Computing bietet dem Nutzer die Möglichkeit, Applikationen, Plattformen und Hardware wie Dienste zu nutzen. Der Provider kann die nötige Kapazität in der Cloud elastisch an den aktuellen Bedarf anpassen. Durch die beliebige Ressourcenzuschaltung erwächst jedoch eine erhebliche ökologische und ökonomische Verantwortung.

Bis heute bietet noch kein Anbieter eine voll automatisierte Lösung zum optimalen Ressourcenmanagement. Zur Skalierung eines Cloud-Systems bestehen lediglich regelbasierte Mechanismen. Der Nutzer muss die Logik manuell einstellen, um die nötige Maschinenanzahl festzulegen. So sind viele Fragen zur Ressourcenverwaltung und entstehenden Kosten für Cloud-Anwender ungelöst.

In dieser Arbeit wird ein Protokoll entwickelt, das eine verbesserte Reihenfolge der Anfragenbearbeitung festlegt. Die Ressourcenzuteilung basiert zum einen auf der Bedarfsreservierung durch die Ressourcen. Zum anderen kann das Nutzungsverhalten durch den Dienst beeinflusst werden. Die Simulationsergebnisse zeigen stark reduzierte Antwortzeiten und Verwurfsraten.

Im Cloud-Umfeld ist die effiziente Bearbeitung der Anfragen häufig aufgrund von Abhängigkeiten zwischen den Maschinen beeinträchtigt. Deshalb wird das Protokoll um einen Selbstkalibrierungsmechanismus und ein Ressourcenregelverfahren erweitert. Mit der Abbildung der Abhängigkeiten auf einen Graphen ist das Gesamtsystem skalierbar, ohne die Auslastung aller Ressourcen einzeln kontrollieren zu müssen.

Vom menschlichen Benutzer kann man jedoch keine Vorabreservierung bezüglich seiner Dienstnutzung fordern. Für diesen Fall ermöglicht die vorliegende Arbeit deshalb die Extrapolation der Nutzerdaten aus Aufzeichnungen sozialer Netzwerke. Der in dieser Arbeit entworfene Algorithmus führt eine ortsspezifische Vorhersage der nötigen Ressourcenanzahl durch.

Die bei Skalierungen entstehenden Kosten sind meist schwer abzuschätzen. Aus diesem Grund werden in der Arbeit Kostenfunktionen für Nutzer und Anbieter erstellt. Sie machen das optimale Mittel zwischen geringeren Kosten bei niedriger Ressourcenmenge und höherer Nutzerzufriedenheit bei großzügiger Kapazitätsabdeckung berechenbar.

Eine prototypische Umsetzung zeigt, dass die entwickelten Ansätze ein deutlich verbessertes automatisiertes Ressourcenmanagement umsetzen.