Mejora de arquitecturas cloud utilizando Metamorphic Testing y técnicas de optimización multiobjetivo
Actualmente, debido a la evolución tecnológica existente, se produce una gran cantidad de datos que han de ser gestionados de forma eficiente. Para ello, los sistemas cloud ofrecen una alternativa consistente para reducir el tiempo de procesado. Sin embargo, esto se consigue aumentando los recursos...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2023 |
| País: | España |
| Institución: | Universidad Complutense de Madrid (UCM) |
| Repositorio: | Docta Complutense |
| Idioma: | español |
| OAI Identifier: | oai:docta.ucm.es:20.500.14352/107018 |
| Acceso en línea: | https://hdl.handle.net/20.500.14352/107018 |
| Access Level: | acceso abierto |
| Palabra clave: | 004(043.3) Algoritmos genéticos multiobjetivo Metamorphic testing Sistemas cloud Simulación Multi-objective genetic algorithms Cloud systems Simulation Informática (Informática) 33 Ciencias Tecnológicas |
| Sumario: | Actualmente, debido a la evolución tecnológica existente, se produce una gran cantidad de datos que han de ser gestionados de forma eficiente. Para ello, los sistemas cloud ofrecen una alternativa consistente para reducir el tiempo de procesado. Sin embargo, esto se consigue aumentando los recursos computacionales drásticamente, lo cual conlleva un aumento significativo en el consumo energético del sistema. Teniendo esto en cuenta, además de las crisis climáticas y energéticas vividas en los últimos años, es necesario un nuevo enfoque que trate de minimizar el consumo energético de los sistemas cloud sin reducir – en la medida de lo posible – potencia computacional. Con el fin de afrontar este problema, en este trabajo se han combinado técnicas de optimización multiobjetivo, junto con Metamorphic Testing (MT) y herramientas de simulación, para optimizar sistemas cloud teniendo en cuenta su rendimiento y el consumo energético. Para ello, se han integrado varios algoritmos genéticos multiobjetivo (MOGAs) en el framework MT-EA4Cloud, el cual, en su versión actual, aplica un único algoritmo evolutivo de un sólo objetivo con MT. Además, se ha realizado un estudio empírico para analizar el comportamiento de los distintos MOGAs incluidos en el framework. Se han definido distintos conjuntos de test que representan distintas arquitecturas cloud y dos cargas de trabajo distintas inspiradas en las operaciones realizadas en el análisis de big data. En particular, las trazas empleadas representan la infraestructura de PlanetLab. Los resultados obtenidos muestran laramente que los MOGAs pueden combinarse con MT para optimizar sistemas cloud teniendo en cuenta varios objetivos, en este caso, rendimiento y consumo energético. Tras analizar estos resultados, podemos concluir que utilizar probabilidades altas en los operadores de mutación, proporciona los mejores resultados. Además, en términos generales, el algoritmo NSGAII es el que mejor resultados ha aportado en los experimentos realizados en este estudio. |
|---|