Order@Cloud – Organizando a Nuvem com objetivos e custos

O paradigma de Computação em Nuvem pode ser definido como um conjunto de computadores (servidores) designados a prover seus recursos na forma de serviços. Embora este paradigma traga muitos benefícios para os seus consumidores e provedores, o gerenciamento indevido dos seus componentes (como a localização das máquinas virtuais) acentua problemas relacionados ao desperdício de recursos. Apesar de ser um problema de difícil otimização (NP-Hard ), devido a quantidade de possíveis soluções, diversas metodologias foram propostas para mitigar a questão da Alocação de Máquinas Virtuais. Porém, estas abordagens geralmente se concentram em objetivos e/ou cenários específicos, tornando-se impraticáveis em alguns modelos de Nuvem (e.g. Infraestrutura como um Serviço – IaaS). Desta maneira, identificamos a necessidade de uma solução agnóstica aos objetivos e que foque nos seguintes fatores: (i) a Seleção das máquinas virtuais a serem migradas, a Geração dos cenários que podem ser adotados e (iii) a Variabilidade dos cenários criados. No entanto, não foi encontrado nenhum método, ou conjunto de ferramentas (Framework), que contemple o problema de Alocação de Máquinas Virtuais de forma agnostica aos objetivos e que considere o custo de implementação das soluções. Assim, esta tese propõe: (i) um modelo de Nuvem orientado para problemas de Alocação de Máquinas Virtuais e (ii) um conjunto de métodos, agnósticos aos objetivos da Nuvem, para provisionamento e organização de máquinas virtuais. O modelo representa o ambiente através de regras, qualificadores e custos. Baseado nestes elementos, os métodos utilizam estratégias de Seleção, Geração e Variabilidade guiadas pela classificação de suas alocações. Por fim, introduzimos uma estratégia que usa o Custo-Benefício para selecionar um dos vários cenários encontrados no processo, levando em consideração o custo de implementação da solução e os qualificadores do ambiente. Os resultados obtidos foram executados com dados de um ambiente real e demonstraram que o método possui um tempo de execução viável para utilização em ambientes de produção e retorna um resultado próximo ao cenário ótimo.