Em nossa revis˜ao buscamos modelos de Nuvens que favorecem a resolu¸c˜ao de problemas de aloca¸c˜ao de VMs na Nuvem. O objetivo des- tes modelos ´e representar os elementos que devem ser considerados no processo de resolu¸c˜ao do problema de aloca¸c˜ao. A seguir, apresentamos os modelos mais importantes e que se destacaram.
Computa¸c˜ao em Nuvem Orgˆanica: Revisamos primeiramente os modelos utilizados em trabalhos anteriores [78–80]. O modelo da Com- puta¸c˜ao em Nuvem Orgˆanica (Organic Cloud Computing) ´e baseado na Teoria das Organiza¸c˜oes e faz uma analogia entre a Nuvem e a organiza¸c˜ao de uma empresa. Neste modelo, agentes de monitora¸c˜ao e gerenciamento da Nuvem est˜ao organizados hierarquicamente e pos- suem responsabilidades distintas, e.g. gerenciamento do sistema de refrigera¸c˜ao, suprimento de energia e rede. A Nuvem ´e vista como um conjunto de agentes e, a partir do momento que eles se intercomunicam, acabam se tornando uma “sociedade de agentes”. Esta sociedade, para permanecer em ordem, deve ser organizada, classificada e hierarqui- zada, para n˜ao tender ao caos ou a exaust˜ao de recursos. Este modelo de gerenciamento distribu´ıdo ´e representado na Figura 7.
Devemos destacar que este modelo ´e importante por simplificar o problema a dois conjuntos de elementos: Regras e Qualificadores. O modelo estipula que deve existir um conjunto de regras que vetam cen´arios e outro conjunto que afere a qualidade dos cen´arios.
Figura 7 – Exemplo do Modelo Orgˆanico [79]
Apesar de trazer estes elementos, o modelo n˜ao possui uma descri¸c˜ao formal e foi concebido com outro foco: a reconfigura¸c˜ao e gerenciamento das VMs, quest˜oes que est˜ao fora do escopo desta tese. Provisionamento e Reloca¸c˜ao baseados em MO : Xu et al. abor- dam as quest˜oes de provisionamento [37] e reloca¸c˜ao de VMs [81] vi- sando a redu¸c˜ao de consumo de energia. Utilizam Algoritmos Gen´eticos para identificar melhores aloca¸c˜oes para iniciar VMs.
Como a solu¸c˜ao ´e focada em objetivos espec´ıficos, o modelo proposto ´e restrito somente aos dados necess´arios a estes objetivos, dados sobre temperatura, consumo de energia e utiliza¸c˜ao de recursos (mem´oria e CPU). A Figura 8 lista cada componente do modelo.
Apesar de possuir m´ultiplos objetivos, a maneira que o modelo foi proposto n˜ao permite a extens˜ao ou adi¸c˜ao de novos objetivos, ou seja, n˜ao ´e agn´ostico aos objetivos.
Cool Cloud : Este framework, proposto por Zhang et al. [82], visa encontrar a organiza¸c˜ao mais energeticamente eficiente (que consuma menos energia) em alocar as VMs na Nuvem, respeitando as restri¸c˜oes dos recursos. Desta maneira, al´em dos usuais dados sobre o consumo de energia e recursos utilizados, e.g. CPU e mem´oria, s˜ao considerados tamb´em o espa¸co de armazenamento e tr´afego de rede utilizados pelas VMs e PMs. Estes dados s˜ao empregados no processo de decis˜ao de migra¸c˜ao, a fim de n˜ao extrapolar os limites das PMs.
No entanto, o ressaltamos pelo fato de representar os custos envolvidos no processo de transi¸c˜ao das VMs para as PMs. Neste caso,
Figura 8 – Modelo de Xu et al. [37]
estes custos s˜ao representados por duas matrizes (VM x PM), as quais trazem o custo de tempo e energia necess´arios para fazer migra¸c˜ao. A Figura 9 exibe todos os elementos considerados neste modelo.
Apesar de propor inova¸c˜oes interessantes, o modelo ainda ´e li- mitado. A forma que os custos s˜ao definidos impossibilita a extens˜ao para novos custos. Al´em do mais, a representa¸c˜ao de possibilidades de migra¸c˜oes n˜ao leva em considera¸c˜ao o contexto que a Nuvem se encontra, i.e. n˜ao ´e poss´ıvel representar restri¸c˜oes de aloca¸c˜ao que exijam rela¸c˜oes entre VMs.
Em dire¸c˜ao a uma abordagem flex´ıvel : Seguindo a mesma linha de Xu et al., Abdul et al. [83] aposta em Algoritmos Gen´eticos para realocar as VMs da Nuvem. No entanto ele representa os dados de recursos de uma forma pouco diferente: seu modelo agrupa as VMs em Ambientes de Aplica¸c˜oes Virtualizadas (Virtualized Application Envi- ronments - VAEs), os quais representam grupos de VMs que pertencem ao mesmo servi¸co. Estes ambientes possuem agente de planejamento locais (LCP) os quais, baseando-se em fun¸c˜oes de utilidade, visam maximizar a qualidade das VMs que gerenciam.
Al´em de introduzir a ideia de SLA em seu modelo, outra adi¸c˜ao ´e a existˆencia de prioriza¸c˜ao dos objetivos, em que um vetor de pesos ´e previso a fim de representar o peso de cada fun¸c˜ao de utilidade.
Apesar de propor um modelo muito mais completo que Xu et al., os dados relacionados ao SLA focam nas restri¸c˜oes t´ecnicas (e.g. quantidade de recursos livres e disponibilidade de ambientes), negli- genciando outras facetas relacionadas `as quest˜oes administrativas da decis˜ao de aloca¸c˜ao, e.g. os centros de dados que podem hospedar a VM ou a taxa de indisponibilidade permitida. Desta maneira, apesar de
Figura 9 – Modelo Proposto Para o Cool Cloud [82]
considerar SLA em seu modelo, este restringe-se a SLAs referentes aos recursos utilizados pelos Ambientes de Aplica¸c˜oes Virtualizadas, o que restringe a implementa¸c˜ao de novas restri¸c˜oes. A Figura 10 apresenta a rela¸c˜ao de elementos do modelo de Abdul et al. [83]
Analisando os modelos acima, e outros, somos levados a almejar um modelo que seja flex´ıvel o bastante para possibilitar a representa¸c˜ao de qualquer elemento do problema. Por´em, n˜ao deve ser espec´ıfico ao ponto de representar detalhes t´ecnicos dos objetivos tratados.
Ao mesmo tempo, acreditamos que o modelo ideal deva con- templar os custos envolvidos no processo de implementa¸c˜ao do cen´ario final, n˜ao somente no sentido de restringir cen´arios cuja implementa¸c˜ao seja impratic´aveis, mas tamb´em no processo de sele¸c˜ao do cen´ario, construindo uma rela¸c˜ao de custo-benef´ıcio.