Resumen

La nube de infraestructura como servicio (IaaS) proporciona recursos como servicio a partir de un conjunto de recursos de computación, red y almacenamiento. Los proveedores de la nube pueden gestionar el uso de sus recursos conociendo la demanda de uso futura a partir de los patrones de uso actuales y pasados de los recursos. La predicción del uso de los recursos es de gran importancia para el escalado dinámico de los recursos de la nube con el fin de lograr la eficiencia en términos de coste y consumo de energía, manteniendo la calidad del servicio. El objetivo de este artículo es presentar un sistema de predicción de uso de recursos en tiempo real. El sistema toma la utilización de los recursos en tiempo real y alimenta los valores de utilización en varios buffers basados en el tipo de recursos y el tamaño del lapso de tiempo. Los búferes son leídos por un sistema estadístico basado en el lenguaje R. Los datos de estos buffers se comprueban para determinar si sus datos siguen una distribución gaussiana o no. En caso de que sigan la distribución gaussiana, se aplica la media móvil integrada autorregresiva (ARIMA); en caso contrario, se aplica la red neuronal autorregresiva (AR-NN). En el proceso ARIMA, se selecciona un modelo basado en los valores mínimos del Criterio de Información de Akaike (AIC). Del mismo modo, en el proceso AR-NN, se selecciona una red con el valor más bajo del Criterio de Información de Red (NIC). Hemos evaluado nuestro sistema con trazas reales de utilización de la CPU de una nube IaaS de ciento veinte servidores.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:predicción del uso de recursos, distribución gaussiana, patrón de recursos, calidad de los servicios, rastro de cpu, tipo de recursos, demanda de uso futuro, tamaño del lapso de tiempo, información mínima de akaike, términos de coste
• Keywords:resources usage prediction, gaussian distribution, pattern of resources, quality of services, trace of cpu, type of resources, future usage demand, time span size, minimum akaike information, terms of cost