O Laboratório de Pesquisas Avançadas para Computação em Nuvem teve 2 artigos artigos aceitos na 23° IEEE Symposium on Computers and Communications 2018 (ISCC 2018), que será realizada nos dias 25-28 de Junho em Natal, Brasil. Os resultados alcançados são advindos de pesquisas originais desenvolvidas pelo grupo de pesquisa bem como de cooperações com instituições parceiras. A seguir serão descritos os trabalhos, seus autores, bem como seu resumo.
Evaluating and estimating, and Improving Network Performance in Container-based Clouds
O trabalho “Evaluating and estimating, and Improving Network Performance in Container-based Clouds”, é autoria de MSc. Cassiano Rista (PUCRS), Dr. Marcelo Teixera (UTFPR), Dr. Dalvan Griebler (PUCRS/SETREM) e Dr. Luiz Gustavo Fernandes (PUCRS).
Resumo [BR]
Recentemente, a computação em nuvem atraiu um grande interesse da indústria e da academia, emergindo como um importante paradigma para melhorar a utilização de recursos, eficiência, flexibilidade e o pagamento por uso. No entanto, as plataformas de nuvem incluem, inerentemente, uma camada de virtualização que impõe a degradação de desempenho em aplicativos com uso intensivo de rede. Assim, é crucial antecipar a possível degradação do desempenho para resolver os gargalos do sistema. Este artigo usa a abordagem “Petri Nets” para criar modelos diferentes para avaliar, estimar e melhorar o desempenho da rede em ambientes de nuvem baseados em contêineres. Com base em estimativas de modelo, avaliamos a utilização da largura de banda da rede do sistema em diferentes configurações. Em seguida, identificando possíveis gargalos, mostramos como o sistema pode ser modificado para melhorar o desempenho. Em seguida, testamos como o modelo se comportaria por meio de experimentos do mundo real. Quando o modelo indica provável saturação de largura de banda, propomos uma abordagem de agregação de links para aumentar a largura de banda, usando a virtualização leve para reduzir a sobrecarga de virtualização. Os resultados revelam que nosso modelo antecipa as características estruturais e comportamentais da rede no ambiente de nuvem. Portanto, melhora sistematicamente a eficiência da rede, o que economiza esforço, tempo e dinheiro.
Abstract [EN]
Cloud computing has recently attracted a great deal of interest from both industry and academia, emerging as an important paradigm to improve resource utilization, efficiency, flexibility, and pay-per-use. However, cloud platforms inherently include a virtualization layer that imposes performance degradation on network-intensive applications. Thus, it is crucial to anticipate possible performance degradation to resolve system bottlenecks. This paper uses the Petri Nets approach to create different models for evaluating, estimating, and improving network performance in container-based cloud environments. Based on model estimations, we assessed the network bandwidth utilization of the system under different setups. Then, by identifying possible bottlenecks, we show how the system could be modified to improve performance. We then tested how the model would behave through real-world experiments. When the model indicates probable bandwidth saturation, we propose a link aggregation approach to increase bandwidth, using lightweight virtualization to reduce virtualization overhead. Results reveal that our model anticipates the structural and behavioral characteristics of the network in the cloud environment. Therefore, it systematically improves network efficiency, which saves effort, time, and money.
Performance of Data Mining, Media, and Financial Applications under Private Cloud Conditions
O trabalho “Performance of Data Mining, Media, and Financial Applications under Private Cloud Conditions” é de autoria de Dr. Dalvan Griebler (PUCRS/SETREM), MSc. Adriano Vogel (PUCRS), MSc. Carlos A. F. Maron (PUCRS), Tecn⁰ Anderson M. Maliszewski (SETREM), Dr. Claudio Schepke (UNIPAMPA) e Dr. Luiz Gustavo Fernandes (PUCRS).
Resumo [BR]
Este artigo contribui para uma análise de desempenho de cargas de trabalho reais em condições de nuvem privada. Selecionamos seis benchmarks do PARSEC relacionados a três domínios de aplicativos principais (financeiro, mineração de dados e processamento de mídia). Nosso objetivo foi avaliar esses domínios de aplicativos em diferentes instâncias de nuvem e ambientes de implementação, referentes a instâncias baseadas em contêiner ou em kernel e usando recursos de máquina dedicados ou compartilhados. As experiências mostraram que o desempenho varia de acordo com as características do aplicativo, a tecnologia de virtualização e o ambiente de nuvem. Os resultados destacaram que os aplicativos financeiros, de mineração de dados e de processamento de mídia em execução nas instâncias do LXC tendem a superar o KVM quando existe um ambiente de recursos de máquina dedicado. No entanto, quando duas instâncias estão compartilhando os mesmos recursos da máquina, esses aplicativos tendem a obter melhor desempenho nas instâncias do KVM. Por fim, os aplicativos financeiros obtiveram melhor desempenho na nuvem do que a mídia e a mineração de dados.
Abstract [EN]
This paper contributes to a performance analysis of real-world workloads under private cloud conditions. We selected six benchmarks from PARSEC related to three mainstream application domains (financial, data mining, and media processing). Our goal was to evaluate these application domains in different cloud instances and deployment environments, concerning container or kernel-based instances and using dedicated or shared machine resources. Experiments have shown that performance varies according to the application characteristics, virtualization technology, and cloud environment. Results highlighted that financial, data mining, and media processing applications running in the LXC instances tend to outperform KVM when there is a dedicated machine resource environment. However, when two instances are sharing the same machine resources, these applications tend to achieve better performance in the KVM instances. Finally, financial applications achieved better performance in the cloud than media and data mining.