Auto escalonamento proativo de banco de dados em nuvem

Auto escalonamento proativo de banco de dados em nuvem

Com o crescimento da computação em nuvem, apareceram também alguns problemas, como a falta de provisão e remoção de recursos para SGBD em nuvem de acordo com a variação da carga de trabalho corrente, levando à deterioração da qualidade de serviços (QoS) ou recursos ociosos. Por não ter tanta elasticidade é necessário que o SGBD tenha mais recursos do que realmente é utilizado, para prover o sistema em momentos de pico, que pode não ser tão frequentes, tendo assim um custo elevado. Caso não sejam mantidos recursos extras, em momento de pico na carga de trabalho pode ocorrer a degradação da QoS do sistema.
O problema retratado neste trabalho consiste em: como melhorar a qualidade para o serviço de banco de dados em nuvem de acordo com a carga de trabalho corrente enquanto utiliza os recursos de maneira eficiente. A estratégia proposta é o, auto escalonamento proativo que proporcionará elasticidade para os serviços de banco de dados em nuvem. Para isso dois pontos serão abordados: A predição e o Escalonamento.
A predição tem como objetivo mensurar previsões futura de carga de trabalho. Para a predição serão utilizados: Series temporais e Triple Exponential Smoothing.
Series temporais são um conjunto de observações ordenadas no tempo, e registradas em períodos regulares. A suposição básica que norteia a analise de uma serie temporal é que se um sistema mais ou menos constante, relacionado com o tempo, exerceu influencia sobre os dados no passado, pode continuar a fazê-lo no futuro. [.....................]
Exponential Smoothing: Este esquema produz uma serie temporal alisada. Considerando que, em Single Moving Averangers as observações passadas são ponderadas igualmente, a exponencial atribui peso decrescentes na previsão de acordo com que elas envelhecem.Assim as observações mais recentes recebem relativamente mais peso do que as observações mais antigas.A Triple Exponential Smoothing utiliza- se de três