Resumen

La computación en nube permite prestar servicios en cualquier momento y lugar mediante la virtualización. El principal problema para gestionar los recursos virtualizados es equilibrar las cargas de trabajo en curso. La migración de máquinas virtuales tiene dos técnicas principales: (i) reducir las páginas sucias mediante la programación de la CPU y (ii) comprimir las páginas de memoria. Las técnicas disponibles para la migración en vivo no son capaces de predecir las páginas sucias con antelación. En el marco propuesto, se desarrollan técnicas de predicción basadas en series temporales utilizando el análisis histórico de datos pasados. Las series temporales se generan con la transferencia de páginas de memoria de forma iterativa. Aquí se proponen dos modelos diferentes de series temporales basados en la regresión. El primer modelo se desarrolla utilizando un modelo de regresión basado en la probabilidad estadística y se basa en el modelo ARIMA (media móvil autorregresiva integrada). El segundo se desarrolla mediante un modelo de regresión basado en el aprendizaje estadístico y utiliza el modelo SVR (regresión de vectores de soporte). Estos modelos se prueban con datos reales de Xen para calcular el tiempo de inactividad, el número total de páginas transferidas y el tiempo total de migración. El modelo ARIMA es capaz de predecir las páginas sucias con un 91,74 y el modelo SVR es capaz de predecir las páginas sucias con una precisión del 94,61 superior al modelo ARIMA.

• Materias:Electroquímica Corriente dinámica híbrida Termomecánica Sistemas ciberfísicos
• Subjects:Electrochemistry Hybrid dynamic current Thermomechanics Cyber-physical systems
• Palabras claves:páginas sucias, series temporales, páginas de memoria, modelo de regresión, regresión de vectores de soporte, tiempo total de migración, ARIMA, precisión, modelo, modelos
• Keywords:dirty pages, time series, memory pages, regression model, support vector regression, total migration time, ARIMA, accuracy, model, models