Clustering the Cloud - Ein Modell zur Selbstoptimierung von Cloud-Datenverwaltungssystemen

In den letzten zehn Jahren wurden Datenverwaltungssysteme in der Cloud immer beliebter, da sie eine elastische Speicherung auf Abruf und umfangreiche Datenanalysen in der Cloud ermöglichen. Diese Systeme wurden mit dem Hauptziel entwickelt, Skalierbarkeit und Verfügbarkeit auf leicht zu wartende Weise zu unterstützen. Die (Selbst-)Anpassung von Cloud-Datenverwaltungssystemen an spezifische Anforderungen, die über diese grundlegenden Eigenschaften hinausgehen, und an möglicherweise heterogene Anwendungen wird jedoch zunehmend komplexer. Folglich ist das Selbstmanagement-Ideal des Cloud Computing für das Cloud-Datenmanagement noch nicht erreicht. Der Schwerpunkt dieses Dissertationsprojekts liegt auf der (Selbst-)Abstimmung von Cloud-Datenmanagement-Clustern, die eine oder mehrere Anwendungen mit unterschiedlichen Workload-Typen bedienen. Es zielt darauf ab, ein dynamisches Clustering zu erreichen, um eine arbeitslastbasierte Optimierung zu unterstützen. Unser Ansatz basiert auf einer logischen Clusterbildung innerhalb eines DB-Clusters auf der Grundlage verschiedener Kriterien wie Daten, Optimierungsziel, Schwellenwerte und Arbeitslasttypen.

Clustering the Cloud - A Model for Self-Tuning of Cloud Datamanagement Systems

Over the past decade, cloud data management systems became increasingly popular, because they provide on-demand elastic storage and large-scale data analytics in the cloud. These systems were built with the main intention of supporting scalability and availability in an easily maintainable way. However, the (self-) tuning of cloud data management systems to meet specific requirements beyond these basic properties and for possibly heterogeneous applications becomes increasingly complex. Consequently, the self-management ideal of cloud computing is still to be achieved for cloud data management. The focus of this PhD project is (self-) tuning for cloud data management clusters that are serving one of more applications with divergent workload types. It aims to achieve dynamic clustering to support workload based optimization. Our approach is based on logical clustering within a DB cluster based on different criteria such as: data, optimization goal, thresholds, and workload types.