Pós-Graduação em Ciência da Computação
FRANCISCO DALADIER MARQUES JÚNIOR
OTIMIZANDO REDES VIRTUAIS AO LONGO DO TEMPO ATRAVÉS DA INTEGRAÇÃO DE MODELOS MULTIPLICATIVOS DA DATA ENVELOPMENT
ANALYSIS (DEA) COM A AVALIAÇÃO DA ESTRUTURA FRACTAL
Universidade Federal de Pernambuco posgraduacao@cin.ufpe.br www.cin.ufpe.br/~posgraduacao
Recife 2019
FRANCISCO DALADIER MARQUES JÚNIOR
OTIMIZANDO REDES VIRTUAIS AO LONGO DO TEMPO ATRAVÉS DA INTEGRAÇÃO DE MODELOS MULTIPLICATIVOS DA DATA ENVELOPMENT
ANALYSIS (DEA) COM A AVALIAÇÃO DA ESTRUTURA FRACTAL
Tese apresentada ao Programa de Pós-Graduação em Ciências da Computação da Universidade Federal de Pernambuco, como requisito parcial para a obtenção do título de Doutor em Ciências da Computação.
Área de concentração: Redes de Computadores
Orientador: Paulo Roberto Freire Cunha Co-orientador: Kelvin Lopes Dias
Recife 2019
Catalogação na fonte
Bibliotecária Arabelly Ascoli CRB4-2068
M357o Marques Júnior, Francisco Daladier
Otimizando redes virtuais ao longo do tempo através da integração de modelos multiplicativos da Data Envelopment Analysis (DEA) com a avaliação da estrutura fractal / Francisco Daladier Marques Júnior. – 2019.
175 f.: il., fig., tab.
Orientador: Paulo Roberto Freire Cunha
Tese (Doutorado) – Universidade Federal de Pernambuco. CCEN. Ciências da Computação. Recife, 2019.
Inclui referências e apêndices.
1. Autossimilaridade. 2. Multiplicativos DEA. 3. Absorção multifotônica. 4. Termometria óptica. I. Cunha, Paulo Roberto Freire (orientador). II. Título.
FRANCISCO DALADIER MARQUES JÚNIOR
OTIMIZANDO REDES VIRTUAIS AO LONGO DO TEMPO ATRAVÉS DA INTEGRAÇÃO DE MODELOS MULTIPLICATIVOS DA DATA ENVELOPMENT
ANALYSIS COM A AVALIAÇÃO DA ESTRUTURA FRACTAL
Tese apresentada ao Programa de Pós-Graduação em Ciências da Computação da Universidade Federal de Pernambuco, como requisito parcial para a obtenção do título de Doutor em Ciências da Computação.
Aprovada em: 07/02/2019.
BANCA EXAMINADORA
_________________________________________________ Prof. Dr. José Augusto Suruagy Monteiro
Centro de Informática/UFPE
_________________________________________________ Prof. Dr. Paulo Romero Martins Maciel
Centro de Informática/UFPE
_________________________________________________ Prof. Dr. Ricardo Massa Ferreira Lima
Centro de Informática/UFPE
_________________________________________________ Profª. Dra. Ana Lúcia Miranda Lopes
Faculdade de Ciências Econômicas/UFMG
_________________________________________________ Prof. Dr. Jorge Luiz de Castro e Silva
Dedico este trabalho a Deus, aos meus pais, esposa, família, professores, amigos e colegas.
“A geometria fractal é baseada na Lei dos Grandes Números, devido ao fato de que a média de um conjunto de números altamente aleatórios tende a ser próximo da média da população inteira.”
AGRADECIMENTOS
Glória e louvores à Santíssima Trindade pelo discernimento e perseverança que me foram concedidos nesta longa caminhada.
Aos meus pais, Daladier, Neide e Mãe Corrinha, que nunca pouparam esforços, amor, carinho, palavras de incentivo e orações, desde o início do processo educativo, até chegar ao tão sonhado momento da defesa do doutorado.
A minha esposa – Máisa Vitório – que com amor, inteligência, afeto, orações, paciência, incentivos e compreensão, ainda teve forças para me apoiar em todos os momentos, desde a graduação.
Agradeço toda a forma de apoio, orações e carinho dos meus avós paternos – Juarez (In memoriam) e Belinha – e maternos – Chico Tomaz (In memoriam) e Santú (In memoriam).
Aos meus irmãos, D´Sávio e Raphaella, pelo incentivo e irmandade.
Ofereço este trabalho a todos meus familiares das famílias Tomaz, Aquino, Dantas, Feitosa e Marques, em especial, ao meu padrinho Zé Pedro, Tia Gracineide, Tia Lizieux, enfim, tios, primos, entre outros familiares que me acolheram e incentivaram ao longo do processo educativo.
Agradeço a todos os meus professores, desde a infância até hoje, em especial a Tia Ilzineide Mangueira e Carmelita Gonçalves. Estendo o agradecimento, também, aos amigos e colegas de estudo e pesquisa que fiz em vários rincões do Brasil e pelo mundo, os quais muito acrescentaram à minha formação científica.
Em especial, aos meus cunhados – Marcelo Vitório (minhas sobrinhas e afilhada) e Emmanuel Marcílio Vitório (In memoriam) e aos colegas: Marcelo Damasceno, Enyo José Tavares, Wallison Pereira, Diego Ernesto, Fabio Gomes e aos demais colegas da área de Informática do IFPB/Campus Cajazeiras. Acrescento homenagem ao meu
amigo e conterrâneo sertanejo – Doutor André Pereira – que foi uma grande fonte de inspiração pela forma como se dedicou incansavelmente aos estudos.
Outrossim, agradeço ao IFPB/Campus Cajazeiras, por investir em minha qualificação desde o mestrado, provendo condições para que eu pudesse atingir sempre meu nível máximo como cientista.
Agradeço, em especial, ao Professor Jorge Luiz, da UECE, por ter acreditado no meu trabalho desde o mestrado até o doutorado. O mentor que apresentou os nortes da autossimilaridade e otimização multicritério de redes.
Agradeço também ao Professor Clécio Thomaz, pela paciência, orientações e ensinamentos sobre DEA.
À UECE, seu corpo docente do mestrado acadêmico, especificamente aos Professores: Joaquim Celestino Júnior, Gustavo Augusto Campos, Jerffeson Teixeira, José Everardo Bessa, Marcial Fernandez, Valdísio Viana em Ciência da Computação. Além de todos os funcionários daquele programa, em especial, ao amigo Marcos.
Ao meu orientador e co-orientador do doutorado, respectivamente, o Professor Paulo Cunha e o Professor Kelvin Lopes. Vale ressaltar que ambos me reservaram atenção especial durante o doutorado, ajudando sempre proativamente, corrigindo-me nas horas certas. Enfim, agindo de alguma forma para que eu chegasse neste momento especial da minha carreira.
Ao Centro de Informática da UFPE todo o meu respeito, admiração e agradecimento por ter aprendido a avaliar uma rede virtual ao longo. Por isso, agradeço em especial aos Professores Paulo Maciel, Ricardo Massa, Stênio Fernandes e Djamel Sadok, pois, através do conhecimento repassado por todos, consegui chegar à defesa do doutorado ao otimizar redes virtuais com os modelos multiplicativos DEA. Agradeço, também, ao Professor José Augusto Suruagy que pontualmente ajudou no aperfeiçoamento da tese.
Gratidão especial à Professora Ana Lúcia Miranda Lopes, pela confiança, apoio, solicitude e, principalmente, por ter aberto as portas do mundo, ao me indicar como pesquisador visitante da Aston Bussiness School (ABS). A esta relevante instituição internacional, agradeço com afeto especial e estendo o agradecimento aos demais Professores, pessoal de apoio da ABS, bem como aos colegas e amigos ingleses, em especial, à minha amiga Debashree De.
Agradeço, imensamente, ao Professor Ali Emrouznejad, pelas orientações, paciência, simplicidade e ensinamentos sobre os modelos multiplicativos DEA, bem como por ter me transformado em um cientista mais maduro. A ele e a todos, o meu muito obrigado será traduzido no trabalho doutoral adiante.
RESUMO
Recentemente, a predição da configuração mais eficiente entre um vasto conjunto de dispositivos usados para montar um ambiente otimizado de serviços de computação, em nuvem e redes virtuais, tem atraído uma atenção crescente. Esta tese propõe uma mudança de paradigma na modelagem do comportamento do Transmission Control Protocol (TCP), ao longo do tempo, em redes virtuais, usando modelos da Data Envelopment Analysis (DEA). Em primeiro lugar, é mostrado que a autossimilaridade com dependência de longo alcance é apresentada de forma diferente em todos os dispositivos de rede. De fato, este trabalho implementa uma nova aplicação da dimensão fractal em redes virtuais para previsão, no qual esse índice chave informa se a camada de transporte encaminha serviços de tráfego com comportamento suave ou irregular ao longo do tempo. Outra contribuição substancial é mostrar que os dispositivos de rede virtual possuem valores distintos relativos à dimensão fractal, desempenho da largura de banda do TCP e memória fractal ao longo do tempo. Portanto, esses índices fractais elencados são usados por esta tese para a predição de dados espaço-temporais em redes virtuais. Assim, uma metodologia de avaliação de desempenho fractal em etapas é desenvolvida como um sistema especialista para avaliação de redes virtuais, bem como, implementa esta análise fractal como representação de conhecimento. Todavia, devido às limitações dos modelos clássicos DEA, são introduzidos modelos multiplicativos estáticos e dinâmico da DEA para avaliar as séries temporais dos diversos hipervisores de redes. Para a aquisição do conhecimento, 50 hipervisores de redes virtuais diferentes foram avaliados como unidades de tomada de decisão ou uma decision-making unit (DMU). Outrossim, os experimentos foram escalados usando um hipervisor de tipo-I, no qual variaram-se parâmetros de CPU e RAM virtuais. Os experimentos escalados geraram 288 DMUs, que foram avaliadas segundo o modelo Super-Cobb-Douglas DEA com orientação à entrada, também concebido por este trabalho. Resumindo, esse sistema especialista também funciona como um hipervisor matemático capaz de determinar o padrão fractal mais eficiente para fornecer serviços de tráfego TCP. Enfim, os resultados obtidos, ao empregar as variáveis de decisão elencadas em qualquer um dos modelos multiplicativos DEA aqui lançados, garantem que a escolha da DMU mais eficiente irá fornecer um serviço de rede virtual, com desempenho da largura de banda do TCP superior e estável por um maior período de tempo.
Palavras-chave: Autossimilaridade. Modelos Multiplicativos DEA. Virtualização de
Redes. Hipervisor Matemático. Tomada de Decisão Multicritério em Redes Virtuais. Metodologia de Avaliação da Estrutura Fractal do Tráfego TCP.
ABSTRACT
Recently, the prediction of the most efficient configuration among a vast set of devices used for mounting an optimised cloud computing services and virtual networks environments have attracted growing attention. This thesis proposes a paradigm shift in modelling transmission control protocol (TCP) behaviour over time in virtual networks by using data envelopment analysis (DEA) models. Firstly, it is shown that self-similarity with long-range dependency is presented differently in every network device. Indeed, this work implements a novel fractal dimension concept on virtual networks for prediction, where this key index informs if the transport layer forwards traffic services with smooth or jagged behaviour over time. Another substantial contribution is proving that virtual network devices have a distinct fractal memory, TCP bandwidth performance, and fractal dimension over time. However, these fractal indices are employed by thesis for forecasting of spatiotemporal data. Thus, a stepwise performance evaluation framework methodology of fractal structure is developed as an expert system for virtual network assessment, as well as it performs a fractal analysis as a knowledge representation. In addition, due to the limitations of classical DEA models, they are introduced static and dynamic multiplicative DEA models to assess the fractal time series from diverse network hypervisors. For knowledge acquisition, 50 different virtual network hypervisors were appraised as a decision-making unit (DMU). In addition, the experiments were scaled up using a type-I hypervisor where virtual parameters related to CPU and RAM are varying. The scaled experiments generated 288 DMUs, which were evaluated according to the input-oriented Super-Cobb-Douglas DEA model herein also devised. In summary, this expert system also functions as a mathematical hypervisor, capable of determining the most efficient fractal pattern to provide TCP traffic services. Finally, the results obtained by employing the decision variables used in any of the multiplicative DEA models launched is the guarantee that the choice of the most efficient DMU will provide a virtual network service, with superior and stable TCP bandwidth performance by one longer period of time.
Keywords: Self-similarity. Multiplicative DEA Models. Network Virtualization.
Mathematical Hypervisor. Multicriteria Decision Making in Virtual Networks. Methodology for Evaluating the Fractal Structure of TCP Traffic.
LISTA DE FIGURAS
Figura 1 - Ilustra a diferença visual entre três das principais técnicas de
virtualização acima descritas - (a) Full Virtualization 37 Figura 2 - Ilustra a diferença visual entre três das principais técnicas de
virtualização acima descritas - (b) Virtualização de Hardware 38 Figura 3 - Ilustra a diferença visual entre três das principais técnicas de
virtualização acima descritas - (c) Contêiner 38 Figura 4 - Encaminhamento de pacotes em redes virtuais – LXC 45 Figura 5 - Encaminhamento de pacotes em redes virtuais - Docker 45
Figura 6 - Triângulo de Sierpinski 47
Figura 7 - Fronteira CCR (reta) e BCC (convexa) 63
Figura 8 - Retornos de Escala CCR x BCC 64
Figura 9 - Raio ilimitado (ray unboundness) x fronteira geométrica 69 Figura 10 - Convexidade geométrica dos modelos multiplicativos DEA, com
fronteira em forma de S 70
Figura 11 - O envelope, raio ilimitado e VRS 72
Figura 12 - Garantia de alcançabilidade entre a VM DUT e a VM TG 79 Figura 13 - Fluxograma algorítimico do framework de avaliação de
desempenho por etapas da estrututra fractal do tráfego TCP em
redes virtuais 82
Figura 14 - Saída do comando Lscpu do Host Principal usado no cenário de experimentação dos roteadores virtuais
83
Figura 15 - Configurações básicas para montagem das redes virtuais no VirtualBox - Rede exclusiva do hospedeiro (host-only) 84 Figura 16 - Configurações básicas para montagem das redes virtuais no
VirtualBox - Tipos de placas de redes emuladas pelo VirtualBox 84
Figura 17 - Topologia de experimentação GGC 85
Figura 18 - Topologias de Experimentação em Hipervisores de Tipo-I -
Guest-to-Guest-to-Container (GGC) 88
Figura 19 - Topologias de Experimentação em Hipervisores de Tipo-I -
Guest-to-Guest (GG) 88
Figura 20 - Fronteira de eficiência e PPS do Modelo CCR com orientação às saídas
111
às saídas
Figura 22 - PPS do Modelo WMDEA 121
Figura 23 - Fronteira de eficiência e PPS do Modelo WDEA 121 Figura 24 - Fronteira de eficiência com raio ilimitado do Modelo WMDEA 122 Figura 25 - Fronteira de eficiência com raio ilimitado do Modelo WDEA 122 Figura 26 - Preços do Amazon Elastic Cloud Computing (EC2) 125
Figura 27 - Super-Cobb-Douglas DEA CCR-I 140
Figura 28 - Modelo Super-CCR-I DEA 140
Figura 29 - Super-Cobb-Douglas DEA CCR-I destacando DMUs (com
LISTA DE QUADROS
Quadro 1 - Escalas de comparação de desempenho entre estratégias de
virtualização 40
Quadro 2 - Escalas de comparação de desempenho entre estratégias de
virtualização 42
LISTA DE TABELAS
Tabela 1 - Comparação da AS em redes de computadores tradicionais
versus nossa pesquisa 54
Tabela 2 - Exemplo do problema da proporcionalidade em modelos DEA
padrão 71
Tabela 3 - Versões e características dos Softwares e SOs usados nas
medições GGC 86
Tabela 4 - Matriz de Correlação das variáveis do cenário 1 – avaliação
estática – sem transformação logarítmica 91
Tabela 5 - Matriz de Correlação das variáveis do cenário 1 – avaliação
estática – com transformação logarítmica. 91
Tabela 6 - Matriz de Correlação das variáveis do cenário 2 – sem
transformação logarítmica 92
Tabela 7 - Matriz de Correlação das variáveis do cenário 2 – com
transformação logarítmica 92
Tabela 8 - Equações dos modelos multiplicativos e de supereficiência multiplicativo DEA (SMDEA) com CRS e orientação à saída propostos
95
Tabela 9 - Fórmulas usadas para computar alguns índices do modelo de
janela multiplicativo DEA 98
Tabela 10 - Variáveis de Entrada e Saída – Cenário 1 e 2 – Estático 103 Tabela 11 - Variáveis de Entrada e Saída – Cenário 1 – Dinâmico 103 Tabela 12 - Montagem das DMUs para avaliação com modelos multiplicativos
DEA estáticos orientados à saída, além da avaliação fractal dos
resultados sem as DMUs com SRD 105
Tabela 13 - Montagem das DMUs para avaliação com modelos multiplicativos
DEA estáticos orientados à saída, após a transformação logarítmica das variáveis de entrada e saída 107 Tabela 14 - , eficiência, análise de sensibilidade e classificação de cada
DMU no modelo de avaliação SMDEA 109
Tabela 15 - Série temporal 1 de 10 da avaliação de desempenho fractal nas
redes virtuais 113
redes virtuais 115 Tabela 17 - Média dos escores de eficiêmcia por janela e por DMU calculados
usando o modelo de Janela Multiplicativo DEA 117 Tabela 18 - Cinco DMUs selecionadas para mostrar os resultados do modelo
original de Janela DEA 119
Tabela 19 - Comparação percentual entre as DMUs selecionadas do modelo
de janela multiplicativo DEA (Tabela 17) versus a formulação
original de Janela DEA (Tabela 18) 120
Tabela 20 - Ranqueamento das TOP5 DMUs segundo modelo WMDEA 123 Tabela 21 - Análise de desempenho fractal por configuração/DMU em um
hipervisor de tipo-I.
127
Tabela 22 - Lista de publicações científicas no período do doutorado 146 Tabela 23 - Contendo respectivamente os gráficos do histograma,
periodograma e ACF das DMUs mais eficientes segundo o
modelo SMDEA CCR-O 164
Tabela 24 - Contendo respectivamente os gráficos do histograma, periodograma e ACF das DMUs mais eficientes, segundo o modelo WMDEA CCR-I, em cada uma das dez séries temporais
usadas para análise em janelas 165
Tabela 25 - Contendo respectivamente os gráficos do Histograma, Periodograma e ACF das DMUs mais eficientes segundo o
ABREVIAÇÕES
ACF Auto-Correlation Function
AIMD Additive Increase, Multiplicative Decrease AHP Analytical Hierarchy Process
API Application Program Interface ARP Address Resolution Protocol
AS Autossimilaridade
BCC Banker, Charnes & Cooper CapEx Capital Expenditure
CCR Charnes, Cooper & Rhodes
CSP Cloud Services Providers
CRS Constant Return to Scale
DEA Data Envelopment Analysis
DevOps Development Operators
DFA Detrended-FluctuactionAnalsysis
DMU Decision-Making Unit
DPI Deep Packet Inspection
DUT Device Under Test
EB Efficient Bandwidth
ECDF Empirical Cumulative Distribution Function FBM Fractal-Brownian Motion (FbM)
FDH FreeDisposal Hull
FDC Função de Distribuição Cumulativa
FDEC Função de Distribuição Empírica Cumulativa FDP Função de Distribuição de Probabilidade IaaS Infrastructure as a Service
IETF Internet Engineering Task-Force
IPC Inter-Process Commnunication
ITE Isolated Test Environment
LRD Long-Range Dependency
MCDM Multi-Criteria Decision-Making
ME-DEA Multiplicative Environmental Data Envelopment Analysis
MLE Maximum Likelihood Estimator
MPSS Most Productive Scale Size
MNCP Multiplicative Non-Parametric Corporate Performance
NOS Network Operating System
NS Network Simulator
PL Programação Linear
PO Pesquisa Operacional
PoC Proof-of-Concept
PPS Production Possibility Set
PR Potential Ratio
R/S Rescaled Range Analysis
QoS Quality-of-Services
RFC Requests for Comments
RPG Raw Packet Generator
SBM Slack-Based Model
SCTP Stream Control Transmission Protocol
SDEA Super-Efficiency DEA
SDN Software-Defined Network
SDNFV Sofware-Defined Network With Function Virtualization
SE Supereficiente
SLA Service-Level Agreement
SKI Single Kernel Image
SMDEA Supereficiência Multiplicativo DEA
SRD Short-Range Dependency
SR-IOV Single Root – I/O Virtualization TCP Transmission Control Protocol
TPA Third Party Audit
vCPU Virtual CPU
veth Virtual Ethernet
VIF Virtual Interface
VM Virtual Machine
VMM Virtual Machine Monitor
VRS Variable Return To Scale
UDP User Datagram Protocol
vNIC Virtual Network Interface Card (vNIC)
WDEA Windows DEA
1 INTRODUÇÃO ... 21
1.1 Motivação e Contextualização ... 25
1.2 Hipótese e questões de partida ... 29
1.3 Objetivos ... 30 1.4 Estrutura da Tese ... 31 2 REFERENCIAL TEÓRICO ... 32 2.1 Avaliação de Desempenho ... 32 2.2 Virtualização ... 34 2.2.1 Contêineres de Virtualização ... 39 2.3 Virtualização de Redes ... 43 2.4 Autossimilaridade... 46
2.4.1 Autossimilaridade nas redes de computadores ... 53
2.4.2 Novas Aplicações de Fractais em Redes ... 55
2.5 Data Envelopment Analysis (DEA) ... 58
2.5.1 Modelos multiplicativos DEA ... 66
3 METODOLOGIA DE OTIMIZAÇÃO FRACTAL EM REDES VIRTUAIS ... 75
3.1 Metodologia geral ... 75
3.1.1 Análise de Desempenho de Dispositivos de Redes ... 75
3.1.2 Framework de Avaliação de Desempenho por Etapas da Estrututra Fractal do Tráfego TCP em redes virtuais (Stepwise Performance Evaluation Framework of Fractal Structure of TCP traffic on Virtual Networks)... 78
3.2 Cenários de experimentação ... 82
3.2.1 Cenários de Experimentação 1 – Roteadores Virtuais... 82
3.2.2 Cenários de Experimentação 2 – Roteadores Virtuais... 87
3.3 Análise da Estrutura Fractal do Tráfego TCP nas redes virtuais ... 89
3.4 Geração das fronteiras de eficiência dos modelos multiplicativos DEA ... 90
4 MODELOS MULTIPLICATIVOS DEA PROPOSTOS ... 93
4.1. Cenário 1 – Medições com hipervisores de tipo-II ... 93
4.1.1 Modelos multiplicativos estáticos com CRS ... 93
4.1.2 Modelo multiplicativo dinâmico com CRS ou de janela multiplicativo (Windows multiplicative DEA model) com orientação às saídas ... 96
4.2 Cenário 2 – Medições escaladas em Hipervisor de Tipo-I ... 101
4.2.1 Modelo estático orientado à entrada – Super-Cobb-Douglas com CRS ... 101
5 ANÁLISE DOS RESULTADOS ... 103
5.1 Cenário 1 – Medições com hipervisores de Tipo-II ... 103
5.1.1 Modelo SMDEA com CRS orientado às saídas ... 103
5.1.3 Modelo de Janela Multiplicativo com CRS ... 112
5.2 Cenário 2 – Medições escaladas com hipervisores de Tipo-I ... 124
5.2.1 Caracterização do Problema ... 124
5.2.2 Modelo Super-Cobb-Douglas orientado à entrada com CRS ... 126
6 CONSIDERAÇÕES FINAIS ... 142
6.1 Conclusão e trabalhos futuros ... 142
6.2 Publicações científicas... 146
APÊNDICE A – ANÁLISE EXPLORATÓRIA DOS DADOS ... 163
APÊNDICE B - CENÁRIO I – SMDEA CCR-O ... 164
APÊNDICE C - CENÁRIO I – WMDEA – CRS CCR-I ... 165
1 INTRODUÇÃO
Este capítulo introduz o trabalho doutoral e relata as principais motivações para a sua realização. Ademais, é apresentada a justificativa, bem como a lista dos objetivos almejados, além demostrar como está estruturada a tese.
A virtualização é uma abstração de software capaz de particionar os recursos de hardware de forma isolada entre diversas máquinas virtuais (virtual machines (VMs)). O objetivo da virtualização é permitir a portabilidade de funções de mais alto nível, além do compartilhamento e/ou agregação de recursos físicos (SAHOO; MOHAPATRA; LATH, 2010).
De acordo com Chowdhury; Boutaba (2010), a virtualização de rede é o principal componente da infraestrutura dos datacenters, bem como para os provedores de serviços em computação em nuvem (cloud services providers (CSP)). Segundo Khan et al. (2012), a analogia entre a virtualização de SO com a de rede fez com que os autores chamassem a virtualização de rede de “hipervisor para a Internet”. Contudo, apesar das vantagens da virtualização, como a consolidação de servidores e armazenamento, esta pode afetar o desempenho da rede quando a infraestrutura da nuvem for dividida entre múltiplos inquilinos. No artigo de Casado et al. (2010) afirma-se que o papel de um hipervisor de rede é determinar como implementar a deafirma-sejada funcionalidade lógica, através da configuração da rede física. Assim, o hipervisor de rede deveria ser visto como o ponto onde a rede lógica é mapeada para dentro da rede física.
Alternativamente, a virtualização leve, ou baseada em contêiner, é um dos tipos de virtualização na qual os processos e dispositivos do kernel do sistema operacional (SO) convidado (guest) são compartilhados para execução de instâncias/fatias do mesmo SO, que atuam como contêineres executados em paralelo (SAHOO et al., 2010).
Uma avaliação de estratégias para ativar roteadores virtuais abertos mostrou que as tecnologias de virtualização mais proeminentes são àquelas que usaram a abordagem com contêineres (RATHORE; HIDELL; SJÖDIN, 2011). Portanto, as tecnologias de virtualização, baseadas em contêineres, são a chave para se alcançar a escalabilidade e desempenho em relação ao aumento do número de nós de computação, com melhor performance de rede, representando uma economia de escala, também chamada de Capital Expenditure (CapEx). Desta forma, este trabalho
usou contêineres como uma das peças na montagem dos hipervisores de redes virtuais.
O trabalho de Ha; Lopez-Pacheco; Urvoy-Keller (2013) afirma que a raiz para um tráfego de rede mais justo é encontrar o melhor switch virtual dentro da infraestrutura virtual. No entanto, esta tese afirma que a sintonia fina das infraestruturas de redes virtuais é primordial para garantir serviços mais adequados aos clientes.
Por isso, o entendimento do comportamento do tráfego do principal protocolo de transporte – transmission control protocol (TCP) – em infraestruturas de redes virtuais ao longo do tempo, detém papel crucial na predição estocástica deum arcabouço de software para prestar serviços otimizados.
De fato, é notório que o protocolo TCP fornece serviços de tráfego fim a fim dos dados na camada de transporte. Logo, ao se implementar uma aplicação que ofereça serviços na Internet, esta não precisa tratar da complexidade de prover um canal de comunicação confiável, para garantir que os dados cheguem corretamente e em ordem no destino final, mesmo ao atravessar redes congestionadas e remotas, pois este é o papel do TCP.
O trabalho de Cronkite-Ratcliff et al. (2016) introduziu um mecanismo para modular o comportamento do TCP nas redes virtuais chamado de virtualized congestion control (vCC). Segundo os autores, o vCC permite que o dono do datacenter ative um novo algoritmo de controle de congestionamento em seus hipervisores de rede virtual. Esta abordagem suporta soluções customizadas pelos inquilinos, com hipervisores e aplicativos personalizados, de acordo com poucas abordagens de controle de congestionamento do TCP avaliadas.
Essa estratégia permitia uma tradução entre o novo algoritmo de controle de congestionamento e um mecanismo de controle de congestionamento legado, permitindo que os aplicativos legados aproveitem os benefícios de aumentar sua capacidade na camada de transporte, ao usar a melhor das estratégias comparadas.
Diante da lacuna científica na predição do melhor serviço de transporte em redes virtuais, esta tese desenvolveu uma ferramenta analítica capaz de ajustar estocasticamente o comportamento do TCP de hipervisores de rede, otimizando o controle de fluxo nas redes virtuais que devem seguir este melhor padrão estatístico ao transportar os serviços dos inquilinos, de forma mais eficiente, ao longo do tempo.
O comportamento tradicional do tráfego de rede tem sido amplamente analisado, baseado nas descobertas da autossimilaridade (AS), em diversos ambientes, segundo trabalhos seminais sobre fractais nas telecomunicações (MANDELBROT, 1965),
tráfego Ethernet (LELAND; TAQQU; WILSON, 1994) e tráfego web (CROVELLA; BESTAVROS, 1997), dentre outros.
Todos esses estudos anteriores, que provararm que o tráfego de rede é estatisticamente autossimilar com dependência de longo alcance (long-range dependency (LRD)), demonstraram a existência deste padrão estocástico avaliando apenas uma configuração de rede por um longo período de tempo. Desta forma, as avaliações anteriores trouxeram análises só de uma grande e única série temporal. Portanto, uma das contribuições desta tese é mostrar que todos os hipervisores de
redes avaliados, como unidades tomadoras de decisão (decision-making unit (DMU)),
têm um comportamento fractal distinto relativo ao tráfego do TCP.
Ainda de acordo com os trabalhos acima citados, o tráfego AS com LRD tinha
implicações perigosas para o projeto, controle e análise de redes de alta velocidade.
Contudo, até esta tese, uma profunda análise da estrutura fractal do tráfego de redes virtuais ainda não tinha sido propriamente realizada pela indústria ou academia.
Outra contribuição desta tese é a introdução da dimensão fractal, ou dimensão de Hausdorff, como medida de suavidade/irregularidade para avaliar o tráfego TCP. Outrossim, esse índice fractal é aplicado como variável de decisão para predição de séries temporais nas redes virtuais. Portanto, a dimensão fractal é um índice robusto de suavidade ou irregularidade, porque não varia quando uma série temporal é dimensionada, traduzida ou corrompida por qualquer ruído, bem como não é estacionária (LLOYD; BERBEROGLU; CURRAN et al., 2004). Outra medida para atestar a AS com LRD usado como variável de decisão é o parâmetro de Hurst ou memória fractal.
As duas variáveis já elencadas estão relacionadas à teoria dos fractais e, neste sentido, uma compreensão profunda do comportamento autossimilar de cada infraestrutura de rede virtual é obrigatória. O objetivo desta análise é realizar uma correta avaliação de desempenho entre as opções disponíveis, além de predizer a decisão mais correta em um vasto conjunto de dados comparados. De fato, este é um problema multicritério a ser resolvido e uma técnica de pesquisa operacional (PO) deve ser aplicada para resolver esta complexa questão matemática.
No contexto de redes ou sistemas computacionais, essas técnicas são nomeadas como ferramentas de otimização de rede. Consistem, pois, em um conjunto de problemas multicritérios de redes, resolvidos por formulações de programação linear, onde múltiplos objetivos desejáveis competem entre si, em que o tomador de
decisão tem que eleger uma dentre várias soluções avaliadas (IQBAL; NAEEM; ANPALAGAN et al., 2016).
A técnica de tomada de decisão multicritério (multi-criteria decision-making (MCDM)), escolhida para otimização de rede, foi a análise envoltória de dados (data envelopment analysis (DEA)), criada por Charnes, Cooper; Rhodes (1978). DEA é geralmente empregada em problemas relacionados à produção em administração de empresas, educação, cadeia de suprimentos, big data, indústria e assim por diante (EMROUZNEJAD; YANG, 2017). Devido a sua natureza de otimização das variáveis de entrada e saída, DEA ora procura minimizar as variáveis de entrada, ou maximizar as variáveis de saídas, ou ambas simultaneamente, dependendo do modelo e orientação usados para resolver cada problema.
No entanto, os modelos tradicionais da DEA não são recomendados quando as variáveis em análise são números reais ou resultados de proporções/razões (ratios). Para sanar este problema da técnica DEA com variáveis em forma de razão, foram propostos modelos multiplicativos por Seiford; Charnes; Cooper; Stutz (1982). Os modelos multiplicativos DEA são apropriados para tratar a elasticidade de escala usando variáveis de razão, ou seja, foram projetados para trabalhar com problemas que exibem uma fronteira de eficiência log-linear com partes côncavas e convexas simultaneamente (BANKER; COOPER; SEIFORD et al., 2004).
Comumente, DEA é usada para avaliar a eficiência de cada DMU em um único período de tempo estaticamente. Porém, quando os dados das séries temporais estão disponíveis, é possível usar DEA para avaliar um conjunto de DMUs, ao longo do tempo, dinamicamente. O primeiro desses modelos inter-temporal desenvolvido foi o de análise em janela (windows analysis) (CHARNES; CLARK; COOPER et al., 1984). Enfim, outra contribuição deste trabalho é a concepção de dois modelos multiplicativos estáticos e um dinâmico da DEA para otimização/predição de serviços de tráfego TCP em infraestrutura de redes virtuais, segundo as variáveis fractais escolhidas.
Outra contribuição foi a introdução de uma metodologia de avaliação de desempenho, baseada na análise das estruturas fractais do TCP acerca dos hipervisores de redes. Esta metodologia também pode ser empregada como um sistema especialista, capaz de resolver problemas complexos como um especialista humano (MARTÍN DE DIEGO; SIORDIA; FERNÁNDEZ-ISABEL et al., 2019). O objetivo desse sistema especialista é aplicar os modelos multiplicativos DEA como mecanismos de inferência, com o intuito de predizer, dentre as diversas séries temporais analisadas, qual o melhor padrão fractal do tráfego TCP entre as
configurações em análise. Em suma, a aplicação desta metodologia atua como um hipervisor matemático para otimizar o tráfego TCP nas redes virtuais.
Enfim, o uso deste modelo analítico possibilita ao tomador de decisão escolher qual seria o hipervisor de rede ótimo, fomentando a melhor forma de criar uma rede virtual para fornecer serviços usando o TCP, pois, ao se eleger a configuração mais eficiente, tem-se a garantia estocástica de se levar um maior volume de tráfego, com estabilidade do comportamento da camada de transporte, por um maior período de tempo.
1.1 Motivação e Contextualização
Técnicas de avaliação de desempenho são essenciais para planejar como serão prestados os serviços estocasticamente. Segundo Jain (1991), existem três técnicas para se avaliar o desempenho de um sistema, são elas: a) medição; b) simulação, e; c) modelagem analítica. Contudo, as medições representam avaliações mais reais de um sistema em funcionamento, sendo usadas não só para fins comparativos, mas também para prover uma sintonia fina dos sistemas.
A união de roteadores virtuais abertos com computadores pessoais é uma alternativa cada vez mais adotada para fazer com que cada VM possa atuar como um roteador virtual. Contudo, o uso de computadores pessoais, para este fim, pode trazer uma série de degradações de desempenho, o que, em alguns casos, pode comprometer o funcionamento normal da rede, ampliando seus efeitos para os demais serviços que dela dependem. Uma minuciosa avaliação de estratégias para ativação de roteadores virtuais abertos mostrou que as tecnologias de virtualização mais recomendadas, para criar roteadores virtuais, são àquelas que usam contêineres (RATHORE, 2013).
É factual que nas redes tradicionais o comportamento fractal do tráfego já tenha sido bastante estudado, segundo várias tecnologias de interconexão. Contudo, a investigação da dimensão fractal no tráfego TCP, em infraestruturas de redes virtuais, até este estudo, ainda era ausente. Particularmente, os termos fractal e autossimilaridade (self-similarity) foram introduzidos por Mandelbrot (1965) que, inicialmente, apresentou o conceito em sistemas de telecomunicações. Em seguida, foi provado que a natureza tem um comportamento fractal ou autossimilar, através de aplicações em hidrologia e geofísica (MANDELBROT; WALLIS, 1969).
Ethernet é estatisticamente autossimilar, divergindo dos modelos de tráfego de rede até então usados. Assim, modelos matemáticos anteriores a AS não capturavam a natureza fractal do tráfego, gerando sérias implicações ao projeto, controle e análise de redes de alta velocidade, no qual a agregação de tráfego intensifica a característica de burstiness, em vez de suavizá-la.
Como técnica de tomada de decisão multi-critério não-paramétrica, para otimização de redes, foi escolhida a data envelopment analysis (DEA). A natureza não-paramétrica da DEA permite que as variáveis em análise não necessitem ser convertidas antes da avaliação. Assim, não é preciso que as variáveis possuam uma unidade em comum (NAKANISHI; FALCOCCHIO, 2004). Ademais, DEA compara quaisquer entes produtivos como DMUs, com o intuito de apontar a eficiência, quem são os benchmarks (parceiros de excelência/referência) e como as DMUs avaliadas como ineficientes podem tornar-se eficientes, caso copiem o desempenho de seus benchmarks.
Estas unidades, ou DMUs, em análise podem ser firmas avaliadas, escolas, roteadores virtuais, hotéis, dentre outros. DEA foi introduzida no trabalho de Charnes et al. (1978) com o intuito de avaliar estaticamente o desempenho de atividades ou organizações, através da análise de eficiência de unidades, associada a conceitos como produtividade e eficiência técnica.
O modelo inicial recebeu o nome dos seus criadores Charnes, Cooper e Rhodes (CCR), sendo baseado numa fronteira de eficiência linear por partes, associada ao conceito de retornos constantes de escala (constant return to scale (CRS)). Já os modelos baseados no conceito de retorno variável de escala (variable return to scale (VRS)), introduzidos por Banker; Charnes; Cooper (1984), apresentam informações adicionais aos escores de eficiência por DMU. Enfim, tais modelos conseguem distinguir se cada DMU está operando eficientemente e corretamente, ou não.
Em DEA, a eficiência técnica é usada para comparar o que foi produzido por uma unidade, com o que poderia ser produzido. Segundo Ferreira; Gomes (2009), a eficiência de escala resulta do nível de eficiência máxima mais adequada, em razão da tecnologia a ser adotada. A eficiência de escala é obtida através da razão entre a eficiência técnica do modelo CCR, sobre a eficiência técnica do modelo de Banker, Charnes; Cooper (BCC).
Como DEA é baseada na geração de uma fronteira de eficiência Pareto-Koopmans, cada modelo deve possuir uma orientação, através do qual: a) caso seja orientado à entrada, busca a minimização proporcional das variáveis de entrada, sem
afetar as variáveis de saída; b) caso seja orientado à saída, objetiva a maximização proporcional das variáveis de saída, sem afetar as variáveis de entrada; e, c) caso seja sem-orientação ou não-radial, objetiva simultaneamente minimizar as variáveis de entrada e maximizar as variáveis de saída.
Contudo, os modelos tradicionais da DEA retornam apenas se uma DMU é eficiente ou não, em um ponto no tempo, ou em uma única série temporal. Sendo assim, caso seja preciso ranqueá-las, o tomador de decisão deveria fazer uma análise de sensibilidade dos resultados DEA, segundo o modelo e orientação escolhido. Entretanto, Andersen; Petersen (1993) introduziram um modelo de ranqueamento entre as DMUs, denominado de modelo de supereficiência (super-efficiency DEA (SDEA)), que são idênticos aos DEA tradicionais, mas que retiram a DMU em análise do conjunto de equações lineares a serem avaliadas.
Portanto, se em modelos tradicionais uma DMU é eficiente, então nos modelos SDEA esta DMU terá um escore de eficiência acima da unidade (>100%), pois a referida DMU, em análise, é retirada da sua própria avaliação. Assim, todas as DMUs possuem escores diferentes entre si, tornando esses modelos efetivos para ranqueamento.
Adiante, DEA será pormenorizada, delineando suas aplicações, formalismos e a proposições de novos modelos multiplicativos para otimizar/predizer serviços TCP mais eficientes ao longo do tempo em redes virtuais, como se propõe este trabalho.
Esses mesmos modelos tradicionais da DEA, que servem como base para criação de outros modelos mais complexos, possuem uma limitação quando as variáveis de entrada e saída, em análise, são números reais ou razões (ratios). Tal limitação é relacionada, principalmente, aos axiomas da convexidade e da proporcionalidade que geram escores de eficiência inacurados (EMROUZNEJAD; AMIN, 2009).
Desta forma, para contornar estas limitações, faz-se necessário, segundo Banker; Maindiratta (1986), trocar a fronteira linear por partes, dos modelos tradicionais, por uma fronteira com pedaços log-lineares denominada de fronteira geométrica. Modelos multiplicativos DEA foram introduzidos no trabalho de Seiford et al. (1982), com o propósito de retificar os modelos tradicionais DEA, para gerarem escores de eficiência acurados, quando as variáveis de entrada e/ou de saída são razões, a fim de que esses obedeçam também aos axiomas do raio ilimitado, extrapolação mínima, dentre outros que serão explicados adiante.
Charnes et al. (1984), com o intuito de usar os modelos tradicionais para avaliar as DMUs em janelas de tempo independentes entre si, de forma intertemporal e dinâmica. Logo, como o modelo de janelas DEA é baseado em modelos tradicionais, caso as variáveis de entrada e/ou de saída sejam razões, é necessário convertê-lo para um modelo multiplicativo que, até este trabalho, ainda não havia sido proposto.
As variáveis de entrada e saída dos modelos multiplicativos DEA desenvolvidos foram adquiridas através da investigação do tráfego TCP, em ambientes de redes virtuais. As medições obedecem às metodologias de avaliação de dispositivos de redes chamadas de requests for comments (RFC), de números 2544 e 6815. Após análise exploratória das variáveis aleatórias contínuas, obtidas nas medições, vislumbrou-se a presença de funções de distribuição/densidade de probabilidade (FDP) de cauda pesada (heavy tail) que remetem a um padrão log-logístico (Ex: Cauchy, Dagum, Burr, Kumaraswamy, Pareto, etc.).
Esta proposta de tese também visa mostrar como realizar uma avaliação da estrutura fractal do TCP nos hipervisores de redes, analisados como DMUs, pelos modelos DEA propostos. A avaliação fractal desenvolvida atesta que cada configuração, ao fornecer serviços de tráfego com TCP nas redes virtuais, possui dimensão fractal, média de largura de banda e memória fractal distintas. Então, se o tomador de decisão tiver um ferramental formal disponível para eleger qual das configurações avaliadas é a mais eficiente de todas, ao longo do tempo, logo poderá predizer qual o melhor dispositivo para prestação dos serviços TCP nas redes virtuais.
Assim, ao usar a configuração mais eficiente na infraestrutura de rede virtual, serão entregues serviços de tráfego TCP fim a fim com desempenho superior da largura de banda e comportamento mais estável da camada de transporte ao longo do tempo. Portanto, este problema multicritério necessita de uma técnica de MCDM ajustada para apontar uma solução otimizada, na prestação de serviços de rede virtuais, ao longo do tempo.
Resumindo, esta tese tem o objetivo de analisar ambientes de rede virtualizadas, em uma perspectiva autossimilar, e propor um framework de avaliação, como um sistema especialista que adquire seu conhecimento nas medições em redes virtuais.
Em seguida, as regras de avaliação fractal, por hipervisor de rede, determinam a representação do conhecimento. Os modelos multiplicativos DEA, aqui lançados, atuam como mecanismos de inferência, servindo para avaliar todas as possibilidades e
prever qual é o melhor conjunto de ferramentas, que possa oferecer serviços de rede virtual com desempenho superior da largura de banda e estabilidade do tráfego TCP. Enfim, a aplicação das técnicas de otimização de rede propostas garantirá a satisfação do cliente, pela qualidade de experiência nos serviços e melhor provisionamento de rede em uma maior escala de tempo.
1.2
Hipótese e questões de partidaNo contexto no qual o consumo de serviços em ambientes de rede virtuais tende só a crescer, com a popularização dos serviços na computação em nuvens, faz-se necessária a sintonia fina da infraestrutura virtual para se prestar serviços otimizados por um maior período de tempo. Todavia, é necessário que sejam respeitados contratos entre as partes denominados service-level agreements (SLA), bem como é recomendável que os serviços ofertados sejam entregues sem a presença de alta variabilidade no tráfego TCP, causado pelo efeito de suavização ou irregularidade presentes na AS, que possui memória e, consequentemente, tem LRD.
Vale ressaltar que até este momento nenhum trabalho mostrou que o tráfego TCP em ambientes de rede virtuais é AS, com desempenho da largura de banda do TCP, dimensão e memória fractal distintos por dispositivo avaliados como hipervisores de rede. Tampouco, que modelos DEA podem ser aplicados para predizer o melhor conjunto de ferramentas para minimizar os efeitos da AS e, ao mesmo tempo, ofertar serviços mais estáveis com desempenho superior da largura de banda do TCP. Dessa forma, este trabalho será desenvolvido com base na seguinte hipótese:
1) Desenvolvimento de um hipervisor matemático como um framework de avaliação da estrutura fractal do tráfego TCP, que atua na avaliação e otimização de redes virtuais visando a predição da configuração com maior volume de tráfego transferido, segundo a largura de banda do TCP, aliado a um comportamento estável da camada de transporte ao longo do tempo.
Diante dessa hipótese, surgem algumas questões de partida (QP) para o desenvolvimento desta tese. São elas:
1) QP01– Qual o comportamento da estrutura fractal do tráfego TCP, usando diferentes estratégias de virtualização em infraestruturas de redes virtuais?
2) QP02 – Como a AS se comporta diante do aumento de escala de hardware (VMs, componentes de software) em geral?
3) QP03 – É possível construir modelos DEA acurados que possam, ao mesmo tempo, minimizar os efeitos da AS, bem como maximizar a largura de banda do TCP para prestação de serviços otimizados em redes virtuais em uma maior escala de tempo?
4) QP04 – É factível desenvolver um framework de avaliação de desempenho, baseado em análise fractal e MCDM, com o objetivo de apontar qual a melhor solução, em relação às demais, para prestação de serviços TCP em redes virtuais ao longo do tempo?
1.3 Objetivos
Diante do que foi exposto, este trabalho apresenta o seguinte objetivo geral: Desenvolver um framework de avaliação de desempenho, como um sistema especialista, baseado em análise da estrutura fractal do tráfego fim a fim e na aplicação de modelos multiplicativos DEA estáticos e dinâmico ajustados, como mecanismo de inferência, para fomentar a prestação de serviços otimizados de tráfego TCP em redes virtuais. Enfim, predizer a DMU mais eficiente dentre as avaliadas, garantindo aos clientes serviços TCP mais estáveis e com desempenho de largura de banda do TCP superior, por um longo período de tempo em infraestruturas de redes virtuais.
Adicionalmente, além do objetivo geral apresentado, alguns objetivos específicos (OE) devem ser destacados:
1) OE01 – Investigar se todo o tráfego TCP, em diversos ambientes, topologias, escalas e componentes de hardware/software em redes virtuais é autossimilar com LRD e quais são as causas (QP01, QP02).
2) OE02 – Selecionar as melhores variáveis decisórias de entrada e saída relacionadas ao problema, para eleger dentre todas as configurações a mais eficiente, para prestação de serviços TCP em redes virtuais ao longo do tempo (QP03, QP04).
3) OE03 – Investigar modelos e orientações DEA que criem as melhores fronteiras de eficiência para selecionar componentes otimizados em ambientes de redes virtuais usando o TCP, segundo as variáveis de decisão escolhidas (QP03, QP04).
4) OE04 – Implementar e avaliar os modelos multiplicativos DEA estáticos e dinâmico ajustados para montagem de ambientes de redes virtuais otimizados
usando o TCP (QP03, QP04). 1.4 Estrutura da Tese
Diante da motivação e contextualização apresentadas, considerando a hipótese, questões de partida, objetivo geral e objetivos específicos, o restante desta tes e está organizada da seguinte maneira:
No Capítulo 2, será apresentado o referencial teórico sobre as principais tecnologias e alguns trabalhos relacionados à tese. Neste caso, os conceitos e os trabalhos relacionados à avaliação de desempenho e otimização, virtualização, tecnologias de contêineres de virtualização que serão usadas para montagem dos experimentos. Será apresentado, com detalhes, a AS, dimensão fractal e temas referentes à avaliação fractal em redes de computadores. Finalmente, mostra a DEA e os modelos multiplicativos usados para um ranqueamento mais acurado e que foram usados para geração das fronteiras de eficiência, que refletem os anseios do tomador de decisão.
No Capítulo 3, é descrito todo o framework de avaliação fractal de desempenho, ou seja, a metodologia usada por esta proposta de tese como sistema especialista para se provar a hipótese levantada. Neste, é apresentado um fluxograma algorítmico, no qual as camadas da metodologia e os seus processos são pormenorizados. Todavia, serão descritas as topologias de experimentação criadas para se avaliar o tráfego TCP nas redes virtuais. Ademais, é detalhado todo o arcabouço ferramental de hardware e software usados nas medições, em conformidade com as RFCs 2544 e 6815.
O Capítulo 4 apresenta os resultados obtidos por esta tese. Assim, os resultados são agregados, ranqueados e analisados segundo os modelos multiplicativos DEA aqui desenvolvidos.
Finalmente, o Capítulo 5 dedica-se às conclusões e considerações finais, além dos trabalhos futuros oriundos deste trabalho doutoral.
2 REFERENCIAL TEÓRICO
Este capítulo apresenta inicialmente os principais conceitos envolvidos com o arcabouço de redes virtuais, partindo de uma visão geral sobre a virtualização, seu surgimento, tipos e ferramentas. Também, a autossimilaridade seus formalismos, dimensão fractal, causas e efeitos serão apresentados, bem como sua presença nas redes de computadores. Finalmente, será apresentada a técnica de avaliação não-paramétrica DEA com suas formas, orientações, além de apresentar os modelos multiplicativos e seus princípios basilares, adequados aos objetivos deste trabalho.
2.1 Avaliação de Desempenho
Avaliar o desempenho consiste em uma combinação de medições e interpretações que visam ao estudo da capacidade de comunicação de um sistema (ou parte dele), de acordo com métricas como velocidade, atraso (latência), números de cálculos por intervalo de tempo, etc. (LILJA, 2000).
A avaliação de desempenho, nas redes de computadores, vem passando por constante escrutínio acadêmico, profissional e mercadológico para prestar serviços com maior “eficiência”. Cada serviço ou sistema é comparado, segundo métrica previamente definida, com o intuito de prover informações comparativas para tomada de decisão. Essas avaliações nas redes podem ser feitas por análises comparativas, que geralmente são relacionadas à largura de banda ou taxa de transferência, disponibilidade e qualidade com que as ferramentas ou serviços se comunicam, dentre outros fatores.
Técnicas de medição vêm sendo desenvolvidas com o objetivo de perturbar minimamente o funcionamento dos sistemas, enquanto fornecem acurácia, precisão e reprodutibilidade dos resultados. Ao montar os cenários de experimentação e, em seguida, aplicar tais técnicas, é necessária uma criteriosa análise estatística e exploratória dos dados coletados para que os resultados capturados sejam corretamente interpretados.
O processo de análise de desempenho de sistemas ou de componentes é dependente da habilidade, experiência e interesses do analista. Neste contexto, Lilja (2000) identifica alguns objetivos comuns da análise de desempenho, tais como:
a) comparação de alternativas – provimento de informações quantitativas sobre quais configurações são melhores que outras em certas condições;
b) determinar o impacto de uma funcionalidade (feature) – analisando o impacto da inserção ou remoção de um componente em um dado sistema;
c) sintonia fina do sistema (system fine-tuning) – encontrar os melhores componentes que produzem a melhor configuração geral do sistema;
d) identificar o desempenho relativo – quantificar a mudança de desempenho relativa ao histórico evolutivo de um sistema, ou seja, avaliar se a versão mais recente de um software tem um desempenho melhor ou pior do que a versão anterior. Além disso, pode-se quantificar o desempenho relativo às expectativas dos clientes, ou mesmo de sistemas dos competidores, e;
e) definir expectativas – analisa o que o sistema se propõe a fazer.
As principais técnicas de avaliação que podem ser usadas para se comparar o desempenho de sistemas são (JAIN, 1991):
Medições: técnica que geralmente apresenta os melhores resultados, pois, ao se usar as ferramentas corretas, nenhuma suposição adicional é necessária, o que torna os resultados desta técnica mais críveis para especialistas. Lilja (2000) afirma que esta técnica tem baixa flexibilidade para montagem de cenários de experimentação, porém, especificamente nos ambientes virtualizados essa premissa não se aplica, porque se consegue elasticamente aprovisionar recursos e, por conseguinte, montar cenários diferentes mais facilmente. Contudo, faz-se necessário bastante tempo, tanto para realização dos experimentos, quanto para interpretação dos resultados, casos estes também não tenham sido automatizados, o que não foi o caso desta tese.
Simulação: utiliza programas computacionais desenvolvidos para modelar algumas características do sistema em análise. Os custos da simulação são o tempo e o esforço necessários para escrever, modificar e debugar programas de simulação, além do tempo para execução das simulações. Outra limitação é que nem toda característica de um sistema poderá ser modelada, limitando a técnica. Entretanto, não é necessário um investimento em equipamentos para fins da montagem dos cenários de comparação, pois se faz necessário apenas o hardware mínimo para execução dos programas de simulação.
Modelagem analítica: descrição matemática ou formal de um sistema. Logo, esta técnica fornece um rápido ensaio comportamental do sistema (ou
parte dele). Tal modelagem é adquirida após a interpretação matemática dos dados obtidos, atrelada a uma definição formal acerca dos resultados das técnicas anteriores. Assim, a modelagem analítica é o primeiro passo para se construir ambientes de simulação.
Ainda de acordo com Lilja (2000), as métricas de desempenho devem: a) contar o número de vezes que um dado evento ocorre (por exemplo: largura de banda, atraso, instruções de entrada/saída, número de cálculos por unidade de tempo, etc.); b) possuir a duração de certo intervalo de tempo; e, c) medir o tamanho de algum parâmetro.
Segundo Lilja (2000), as principais propriedades das métricas a serem elencadas nas avaliações são: i) linearidade – ao se dobrar o tamanho da memória, o desempenho do sistema melhora em quanto percentualmente? ii) confiabilidade – os resultados gerados possuem credibilidade estocástica, i.e., se um sistema A sempre supera um sistema B ao executar uma certa aplicação em um período de tempo; iii) repetibilidade – quando os resultados dos experimentos tendem a se repetir, de acordo com um dado nível de confiança, ou seja, se ao longo do tempo a métrica é determinística; iv) facilidade de medição – diretamente proporcional a quantidade de ferramentas disponíveis para se conseguir obter os valores acerca das métricas de um experimento; v) consistência – as unidades usadas podem ser replicadas para comparar outros sistemas, e; vi) independência.
Enfim, uma das principais contribuições desta tese é criar uma ferramenta de tomada de decisão multicritério, para montagem de infraestruturas de redes virtuais com tráfego TCP otimizado na prestação destes serviços. Logo, o hipervisor matemático proposto é capaz de avaliar o desempenho de hipervisores de redes, baseado em medições e avaliação da estrutura fractal do tráfego TCP, usando os modelos multiplicativos DEA desenvolvidos para predizer/eleger, dentre todas as configurações avaliadas, qual a que possui o contrato fim a fim mais eficiente para prestação de serviços de rede virtuais, usando o TCP.
2.2 Virtualização
A virtualização consiste em estender ou trocar um recurso (CPU, memória, armazenamento), ou interface (de rede ou uma application program interface (API)), existente por um(a) outro(a) que tenta imitar seu comportamento. Logo, é uma técnica
que possibilita a divisão de um único sistema computacional em diversos outros chamados de máquinas virtuais.
O termo monitor de máquina virtual (virtual machine monitor (VMM)) surgiu na segunda metade da década de 60 do século passado nos laboratórios da IBM, para fomentar o funcionamento dos SOs de tempo compartilhado (time sharing). Assim, o VMM funcionava como uma camada de software capaz de particionar recursos físicos de uma máquina em partes de software, denominadas de máquinas virtuais (ROSENBLUM; GARFINKEL, 2005).
O trabalho de Popek; Goldberg (1974) aponta que os VMMs tinham três características essenciais que são: 1) imitação de comportamento – em que o VMM provém um ambiente idêntico ao da máquina física, com as devidas diferenças causadas pela indisponibilidade de recursos, além de algumas diferenças causadas pelas dependências do tempo compartilhado; 2) eficiência – programas que são executados nestes ambientes possuem desempenho levemente pior que suas execuções diretas em máquinas reais e que garantem uma economia de capital; e, 3)
isolamento – o VMM tem controle completo dos recursos do sistema, caso: a) não é
possível que uma aplicação sendo executada dentro da VMM acesse recursos não explicitamente alocados a ela; e, b) é possível sobre certas circunstâncias que a VMM recupere o controle de recursos já alocados.
Segundo Williams (2007), os objetivos da virtualização são: i) adicionar uma camada de abstração entre as aplicações e o hardware; ii) permitir redução nos custos em infraestrutura de servidores; iii) prover isolamento de recursos para aumentar a confiabilidade e segurança do ambiente virtualizado; iv) melhorar (manter) o nível e a qualidade dos serviços; v) alinhar, mais eficientemente, os processos da tecnologia da informação (TI) com as necessidades das empresas/clientes; e, vi) eliminar a redundância, maximizando a utilização, de infraestruturas de TI.
O hipervisor é o nome popular atribuído ao VMM. Para ativar várias formas de virtualização, existem diversos tipos de hipervisores que, segundo Sahoo et al.(2010) podem ser:
Virtualização completa ou full-virtualization – O VMM é chamado de virtual machine manager e está localizado acima do SO hospedeiro ou host, em que o SO guest roda no topo do hardware virtualizado provido pelo VMM. Assim, os dispositivos de entrada/saída serão alocados ao SO guest que imitará os recursos físicos no hipervisor e, então, fará com que o SO host tenha acesso ao hardware virtualizado. Uma das suas desvantagens é ter uma queda de
desempenho de 30% em relação à execução direta no hardware. Exemplo: alguns produtos da família VMWare, Microsft Virtual Server, etc.;
Virtualização na Camada de SO/Contêiner de Virtualização – Também chamada de virtualização leve ou single kernel image (SKI), sendo caracterizada pela execução de múltiplas instâncias do mesmo SO (kernel) em paralelo, nas quais o SO e seus processos serão virtualizados. Com esta arquitetura leve, um administrador de sistema pode alocar recursos (CPU, memória, armazenamento, rede, etc.) executando VMs sob demanda, o que vem atraindo mais adeptos, pois a abordagem possui desempenho superior às outras formas de virtualização, sendo a técnica mais recente. Uma das desvantagens desta abordagem é o isolamento, além do que limita os SOs ao kernel atualmente compartilhado (e.g. se o kernel é de um Linux não se pode instalar um contêiner Windows e vice-versa). Exemplos: Docker, LXC, OpenVZ, Zones, Jails, Virtuozzo, ZeroVM, etc.;
Virtualização na camada de hardware ou hipervisorde tipo-I – A técnica que possui melhor desempenho e isolamento, sendo a preferida para implementação de servidores virtualizados em datacenters. Nesta técnica, o hipervisor roda diretamente sobre o hardware, controlando e sincronizando o acesso do SO guest aos recursos de hardware. Exemplo: KVM, VMWare ESXi, Cytrix Xen Server, Hyper-V, etc.;
Para-virtualização ou hipervisorde tipo-II – Diferente da virtualização completa, o SO guest, com esta técnica, deverá ser modificado para que possa ser operado no ambiente virtual. Sendo assim, a para-virtualização é um subconjunto da virtualização de hardware, provendo uma simples interface entre o hardware do SO host com o SO guest modificado. Neste tipo de hipervisor, o desempenho é próximo ao do hardware não virtualizado. A diferença entre os hipervisor de tipo-I e de tipo-II é que o primeiro atua como o próprio SO, acessando diretamente o hardware, enquanto o segundo atua numa camada de software acima do SO principal. Portanto, o de tipo-II demanda maior penalidade de desempenho em relação aos hipervisores de tipo-I. Exemplo: Oracle VirtualBox, VMWare Workstation/Player, Parallels, etc.;
Virtualização de Aplicação – O usuário é capaz de executar uma aplicação do tipo servidor, localmente, usando recursos remotos do servidor sem a necessidade de instalar aplicações servidor nas suas máquinas, o que demanda elevada complexidade, além do próprio espaço em disco. Assim, cada aplicação virtualizada é projetada para execução em um pequeno ambiente virtualizado, capaz de oferecer somente os recursos necessários ao seu funcionamento. Exemplo: Ferramentas para development operators (DevOps): Docker, Vagrant, Puppet, etc.;
Virtualização de Recursos – Tipo de virtualização em que se pode virtualizar, tanto um recurso de hardware como CPU, memória, disco, etc., quanto recursos de software. Este tipo de virtualização vem se tornando mais popular em ambientes de redes definidas por software com função de virtualização (sofware-defined network with function virtualization (SDNFV)) e, consequentemente, na computação em nuvem, pois se pode virtualizar recursos de middleboxes como proxies, firewalls, inspeção profunda de pacotes (deep packet inspection (DPI)), ferramentas de detecção de intrusões, e diversas funções de rede, etc. Exemplo: virtual CPU (vCPU), virtual network interface card (vNIC), sistemas operacionais de rede (network operating system (NOS)), como OpenDayLight e ONOS, dentre outros.
Figura 1- Ilustra a diferença visual entre três das principais técnicas de
virtualização acima descritas - (a) Full Virtualization
Figura 2 – Ilustra a diferença visual entre três das principais técnicas de
virtualização acima descritas - (b) Virtualização de Hardware
Fonte: Sahoo et al. (2010)
Figura 3 - Ilustra a diferença visual entre três das principais técnicas de
virtualização acima descritas - (c) Contêiner
Fonte: Sahoo et al. (2010)
O trabalho de Sahoo et al. (2010) ainda elenca outras vantagens da virtualização que são: 1) flexibilidade; 2) disponibilidade; 3) escalabilidade; 4) utilização do hardware;
