umu.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Apex lake: a framework for enabling smart orchestration
Intel Labs Europe, Intel Ireland. (Cloud Services Labs)
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för datavetenskap. (Distributed Systems)
Intel Labs Europe, Intel Ireland. (Cloud Services Labs)
Intel Labs Europe, Intel Ireland. (Cloud Services Labs)
Visa övriga samt affilieringar
2015 (Engelska)Ingår i: Proceedings of the Industry Track of the 16th ACM/IFIP/USENIX Middleware Conference, New York, USA: Association for Computing Machinery (ACM), 2015, s. 1-7, artikel-id 1Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

The introduction of a Software-defined infrastructures brings additional challenges to the management of cloud infrastructure. With the impending convergence of telecommunications and cloud infrastructures, datacenters become an essential part of an overall integrated environment. The potential scale of such environments has significant implications as traditional orchestration approaches cannot scale appropriately. However, the combination of infrastructure topology, fine-grained operational data and advanced analytics, has the potential to deliver a scalable approach to facilitate orchestration and resource management. In this paper we introduce Apex Lake, a framework designed to address the question of "how to efficiently define and maintain a physical and logical resource and service landscape enriched by operational data, to support orchestration for optimized service delivery?" We also demonstrate with a use-case illustrating how functionalities provided by Apex Lake can be used dealing with performance anomalies.

Ort, förlag, år, upplaga, sidor
New York, USA: Association for Computing Machinery (ACM), 2015. s. 1-7, artikel-id 1
Nyckelord [en]
Cloud monitoring and orchestration, Resource Management, Datacenter Management, Software-defined Infrastructure
Nationell ämneskategori
Datorsystem
Forskningsämne
datorteknik
Identifikatorer
URN: urn:nbn:se:umu:diva-114696DOI: 10.1145/2830013.2830016Scopus ID: 2-s2.0-84981340935ISBN: 978-1-4503-3727-4 (tryckt)OAI: oai:DiVA.org:umu-114696DiVA, id: diva2:897671
Konferens
16th ACM/IFIP/USENIX Middleware Conference, Middleware Industry 2015, Vancouver, Canada, 7 December 2015 through 11 December 2015
Tillgänglig från: 2016-01-26 Skapad: 2016-01-26 Senast uppdaterad: 2018-06-07Bibliografiskt granskad
Ingår i avhandling
1. Performance problem diagnosis in cloud infrastructures
Öppna denna publikation i ny flik eller fönster >>Performance problem diagnosis in cloud infrastructures
2016 (Engelska)Licentiatavhandling, sammanläggning (Övrigt vetenskapligt)
Abstract [en]

Cloud datacenters comprise hundreds or thousands of disparate application services, each having stringent performance and availability requirements, sharing a finite set of heterogeneous hardware and software resources. The implication of such complex environment is that the occurrence of performance problems, such as slow application response and unplanned downtimes, has become a norm rather than exception resulting in decreased revenue, damaged reputation, and huge human-effort in diagnosis. Though causes can be as varied as application issues (e.g. bugs), machine-level failures (e.g. faulty server), and operator errors (e.g. mis-configurations), recent studies have attributed capacity-related issues, such as resource shortage and contention, as the cause of most performance problems on the Internet today. As cloud datacenters become increasingly autonomous there is need for automated performance diagnosis systems that can adapt their operation to reflect the changing workload and topology in the infrastructure. In particular, such systems should be able to detect anomalous performance events, uncover manifestations of capacity bottlenecks, localize actual root-cause(s), and possibly suggest or actuate corrections.

This thesis investigates approaches for diagnosing performance problems in cloud infrastructures. We present the outcome of an extensive survey of existing research contributions addressing performance diagnosis in diverse systems domains. We also present models and algorithms for detecting anomalies in real-time application performance and identification of anomalous datacenter resources based on operational metrics and spatial dependency across datacenter components. Empirical evaluations of our approaches shows how they can be used to improve end-user experience, service assurance and support root-cause analysis. 

Ort, förlag, år, upplaga, sidor
Umeå: Department of Computing Science, Umeå University, 2016. s. 28
Serie
Report / UMINF, ISSN 0348-0542 ; 16.14
Nyckelord
Systems Performance, Performance anomalies, Performance bottlenecks, Cloud infrastructures, Cloud Computing, Cloud Services, Cloud Computing Performance, Performance problems, Performance anomaly detection, Performance bottleneck identification, Performance Root-cause Analysis
Nationell ämneskategori
Datorsystem
Forskningsämne
datorteknik; datalogi
Identifikatorer
urn:nbn:se:umu:diva-120287 (URN)978-91-7601-500-1 (ISBN)
Presentation
2016-05-24, N430, Naturvetarhuset, Umeå University, Umeå, 10:00 (Engelska)
Opponent
Handledare
Projekt
Cloud Control (C0590801)
Forskningsfinansiär
Vetenskapsrådet, C0590801
Tillgänglig från: 2016-05-23 Skapad: 2016-05-13 Senast uppdaterad: 2018-06-07Bibliografiskt granskad
2. Performance anomaly detection and resolution for autonomous clouds
Öppna denna publikation i ny flik eller fönster >>Performance anomaly detection and resolution for autonomous clouds
2017 (Engelska)Doktorsavhandling, sammanläggning (Övrigt vetenskapligt)
Abstract [en]

Fundamental properties of cloud computing such as resource sharing and on-demand self-servicing is driving a growing adoption of the cloud for hosting both legacy and new application services. A consequence of this growth is that the increasing scale and complexity of the underlying cloud infrastructure as well as the fluctuating service workloads is inducing performance incidents at a higher frequency than ever before with far-reaching impact on revenue, reliability, and reputation. Hence, effectively managing performance incidents with emphasis on timely detection, diagnosis and resolution has thus become a necessity rather than luxury. While other aspects of cloud management such as monitoring and resource management are experiencing greater automation, automated management of performance incidents remains a major concern.

Given the volume of operational data produced by cloud datacenters and services, this thesis focus on how data analytics techniques can be used in the aspect of cloud performance management. In particular, this work investigates techniques and models for automated performance anomaly detection and prevention in cloud environments. To familiarize with developments in the research area, we present the outcome of an extensive survey of existing research contributions addressing various aspects of performance problem management in diverse systems domains. We discuss the design and evaluation of analytics models and algorithms for detecting performance anomalies in real-time behaviour of cloud datacenter resources and hosted services at different resolutions. We also discuss the design of a semi-supervised machine learning approach for mitigating performance degradation by actively driving quality of service from undesirable states to a desired target state via incremental capacity optimization. The research methods used in this thesis include experiments on real virtualized testbeds to evaluate aspects of proposed techniques while other aspects are evaluated using performance traces from real-world datacenters.

Insights and outcomes from this thesis can be used by both cloud and service operators to enhance the automation of performance problem detection, diagnosis and resolution. They also have the potential to spur further research in the area while being applicable in related domains such as Internet of Things (IoT), industrial sensors as well as in edge and mobile clouds.

Abstract [sv]

Grundläggande egenskaper för datormoln såsom resursdelning och självbetjäning driver ett växande nyttjande av molnet för internettjänster. En följd av denna tillväxt är att den underliggande molninfrastrukturens ökande storlek och komplexitet samt fluktuerade arbetsbelastning orsakar prestandaincidenter med högre frekvens än någonsin tidigare. En konsekvens av detta blir omfattande inverkan på intäkter, tillförlitlighet och rykte för de som äger tjänsterna. Det har därför blivit viktigt att snabbt och effektivt hantera prestandaincidenter med avseende på upptäckt, diagnos och korrigering. Även om andra aspekter av resurshantering för datormoln, som övervakning och resursallokering, på senare tid automatiserats i allt högre grad så är automatiserad hantering av prestandaincidenter fortfarande ett stort problem.

Denna avhandling fokuserar på hur prestandahanteringen i molndatacenter kan förbättras genom användning av dataanalystekniker på de stora datamängder som produceras i de system som monitorerar prestanda hos datorresurser och tjänster. I synnerhet undersöks tekniker och modeller för automatisk upptäckt och förebyggande av prestandaanomalier i datormoln. För att kartlägga utvecklingen inom forskningsområdet presenterar vi resultatet av en omfattande undersökning av befintliga forskningsbidrag som behandlar olika aspekter av hantering av prestandaproblem inom i relevanta tillämpningsområden. Vi diskuterar design och utvärdering av analysmodeller och algoritmer för att upptäcka prestandaanomalier i realtid hos resurser och tjänster. Vi diskuterar också utformningen av ett maskininlärningsbaserat tillvägagångssätt för att mildra prestandaförluster genom att aktivt driva tjänsternas kvalitet från oönskade tillstånd till ett önskat målläge genom inkrementell kapacitetoptimering. Forskningsmetoderna som används i denna avhandling innefattar experiment på verkliga virtualiserade testmiljöer för att utvärdera aspekter av föreslagna tekniker medan andra aspekter utvärderas med hjälp av belastningsmönster från verkliga datacenter.

Insikter och resultat från denna avhandling kan användas av både moln- och tjänsteoperatörer för att bättre automatisera detekteringen av prestandaproblem, inklusive dess diagnos och korrigering. Resultaten har också potential att uppmuntra vidare forskning inom området samtidigt som de är användbara inom relaterade områden som internet-av-saker, industriella sensorer, och storskaligt distribuerade moln eller telekomnätverk.

Ort, förlag, år, upplaga, sidor
Umeå: Umeå University, 2017. s. 60
Serie
Report / UMINF, ISSN 0348-0542 ; 17.18
Nyckelord
Cloud Computing, Distributed Systems, Performance Management, Anomaly Detection, Quality of Service, Performance Analytics, Machine Learning
Nationell ämneskategori
Datorsystem
Forskningsämne
datorteknik; administrativ databehandling; datalogi
Identifikatorer
urn:nbn:se:umu:diva-142033 (URN)978-91-7601-800-2 (ISBN)
Disputation
2017-12-14, MA121, MIT-huset, Umeå University, Umeå, 13:15 (Engelska)
Opponent
Handledare
Projekt
Cloud ControleSSENCE
Forskningsfinansiär
Vetenskapsrådet, C0590801
Tillgänglig från: 2017-11-21 Skapad: 2017-11-17 Senast uppdaterad: 2018-06-09Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

Förlagets fulltextScopus

Personposter BETA

Ibidunmoye, OlumuyiwaHernández-Rodriguez, FranciscoElmroth, Erik

Sök vidare i DiVA

Av författaren/redaktören
Ibidunmoye, OlumuyiwaHernández-Rodriguez, FranciscoElmroth, Erik
Av organisationen
Institutionen för datavetenskap
Datorsystem

Sök vidare utanför DiVA

GoogleGoogle Scholar

doi
isbn
urn-nbn

Altmetricpoäng

doi
isbn
urn-nbn
Totalt: 1788 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf