Bulut Uygulamalarında Evrensel Duyarlılık Analizi

Öz

Yaklaşık beş milyar internet kullanıcısının bulunduğu, her iki alışverişten birinin internet üzerinden yapıldığı günümüz dünyasında internet servislerinin ana yükünü bulut uygulamaları çekmektedir. Son kullanıcılara hızlı ve kesintisiz hizmet sağlamak ve artan rekabet ortamında maliyetleri düşürebilmek için uygulamaların kopya sayısını, kaynaklarını ve uygulama içi parametreleri otomatik olarak yönetmeye yönelik çalışmalar giderek artmaktadır. Bu çalışmada uygulama parametrelerinin performans ve maliyet üzerindeki etkisi Yüksek Boyutlu Model Gösterilimi adlı evrensel duyarlılık analizi yöntemi ile incelenmiş ve sonuçlar TeaStore adlı örnek bir bulut uygulaması üzerinde deneysel olarak gösterilmiştir. Bulut uygulamaları bağlamında ilk kez yapılan bu çalışma sayesinde öncelik verilecek veya ihmal edilecek parametreler belirlenerek bulut uygulamalarının yönetiminde kullanılan araçların iyileştirilmesi mümkün olacaktır.

Anahtar Kelimeler

• Bulut Uygulamaları
• Evrensel Duyarlılık Analizi
• Yüksek Boyutlu Model Gösterilimi

Kaynakça

1. [1] Waldrop, M. M. Data center in a box, Scientific American, 2007, 297(2), pp. 90-93.
2. [2] Dutreilh, X., Moreau, A., Malenfant, J., Rivierre, N. ve Truck, I. J. From data center resource allocation to control theory and back, IEEE 3rd international conference on cloud computing, 2010, pp. 410-417.
3. [3] Lorido-Botran, T., Miguel-Alonso, J. ve Lozano, J.A. A review of auto-scaling techniques for elastic applications in cloud environments, Journal of grid computing, 2014, 12(4), pp. 559-592.
4. [4] Baresi, L., Hu, D.Y.X., Quattrocchi, G. and Terracciano, L., KOSMOS: Vertical and Horizontal Resource Autoscaling for Kubernetes, International Conference on Service-Oriented Computing, 2021, pp. 821-829s
5. [5] Qu, C., Calheiros, R.N. ve Buyya, R. Auto-scaling web applications in clouds: A taxonomy and survey, ACM Computing Surveys, 2018, 51(4), pp.1-33.
6. [6] Incerto, E., Tribastone, M. ve Trubiani, C. Combined vertical and horizontal autoscaling through model predictive control, European Conference on Parallel Processing, 2018, pp. 147-159.
7. [7] Wei, Y., Kudenko, D., Liu, S., Pan, L., Wu, L. ve Meng, X. A reinforcement learning based auto-scaling approach for SaaS providers in dynamic cloud environment, Mathematical Problems in Engineering, 2019.
8. [8] Whaley, R.C., Petitet, A. ve Dongarra, J.J. Automated empirical optimizations of software and the ATLAS project, Parallel computing, 2001, 27(1-2), pp.3-35.

9. [9] Di Sanzo, P., Rughetti, D., Ciciani, B. ve Quaglia, F. Auto-tuning of cloud-based in-memory transactional data grids via machine learning, Second Symposium on Network Cloud Computing and Applications, 2012, pp. 9-16
10. [10] Nguyen, T.T., Yeom, Y.J., Kim, T., Park, D.H. ve Kim, S. Horizontal pod autoscaling in kubernetes for elastic container orchestration, Sensors, 2020, 20(16), p. 4621.
11. [11] Rabitz, H. ve Alış, Ö.F. General foundations of high‐dimensional model representations, Journal of Mathematical Chemistry, 1999, 25(2), pp.197-233.
12. [12] Sobol', I. M. On sensitivity estimation for nonlinear mathematical models. Matematicheskoe modelirovanie, 1990, 2(1), pp. 112-118.
13. [13] Sobol', I.M. Theorems and examples on high dimensional model representation, Reliability Engineering and System Safety, 2003, 79(2), pp.187-193.
14. [14] Li, G., Rosenthal, C. ve Rabitz, H. High dimensional model representations, The Journal of Physical Chemistry A, 2001, 105(33), pp.7765-7777.
15. [15] Li, G., Wang, S.W. ve Rabitz, H. Practical approaches to construct RS-HDMR component functions, The Journal of Physical Chemistry A, 2002, 106(37), pp.8721-8733.
16. [16] Li, G., Wang, S.W., Rosenthal, C. and Rabitz, H. High dimensional model representations generated from low dimensional data samples. I. mp-Cut-HDMR. Journal of Mathematical Chemistry, 2001,30(1), pp.1-30.
17. [17] von Kistowski, J., Eismann, S., Schmitt, N., Bauer, A., Grohmann, J. ve Kounev, S. Teastore: A micro-service reference application for benchmarking, modeling and resource management research, IEEE 26th International Symposium on Modeling, Analysis, and Simulation of Computer and Telecommunication Systems, 2018, pp. 223-236.
18. [18] Burns, B., Grant, B., Oppenheimer, D., Brewer, E. ve Wilkes, J. Borg, Omega, and Kubernetes: Lessons learned from three container-management systems over a decade, Queue, 2016, 14(1), pp. 70-93.
19. [19] Dobies, J. ve Wood, J. Kubernetes Operators: Automating the Container Orchestration Platform, O'Reilly Media, 2020.
20. [20] Pike, R. The go programming language. Talk given at Google’s Tech Talks, 14, 2009.
21. [21] von Kistowski, J., Deffner, M. ve Kounev, S. Run-time prediction of power consumption for component deployments, IEEE International Conference on Autonomic Computing, 2018, pp. 151-156.
22. [22] Turnbull, J. Monitoring with Prometheus, Turnbull Press, 2018.
23. [23] Sabharwal, N. ve Pandey, P. Working with Prometheus Query Language (PromQL). In Monitoring Microservices and Containerized Applications, Apress, Berkeley, 2020, pp. 141-167.