SEMINARIO DE INVESTIGACIÓN APLICADA II 2023-01

Nombre del alumno Rosaly Yesenia Perez Sanchez

PLANTILLA 02_ANÁLISIS DEL ARTÍCULO CIENTÍFICO_01_ ESTADO DEL ARTE

Títle of paper: Dynamic resource provisioning for service-based cloud applications:A
Bayesian learning approach (Aprovisionamiento dinámico de recursos para aplicaciones en
la nube basadas en servicios: Un enfoque de aprendizaje bayesiano)
Author(s): Reena Panwar and M. Supriya
Journal: Journal of Parallel and Distributed Computing
Fecha de publicación: 07/06/2022 Nivel del Cuartil: Q1
Tipo de documento: Artículo científico
__________________________________________________________________________
1. Problema
El problema son los excesivos costos por la deficiente predicción precisa de los recursos
disponibles en el tiempo de ejecución de un servicio por la variación de la demanda.

2. Importancia
A menudo muchas empresas suelen presentar una deficiencia en la disponibilidad de
recursos, lo que traer consigo retrasos en el proceso productivo de estas y la perdida de
dinero. Es por eso que muchos autores mencionan que si no se realiza con correcto
aprovisionamiento evitándose los errores de estimaciones tendrás un sistema más lento
(deficiente) y con elevados costos, considerando que el aprovisionamiento de recursos está
ligado a los cambios de carga de trabajo y a la eficiencia del sistema (Calheiros et al. 2011).
Otro punto muy importante también es que un buen aprovisionamiento de recursos mejora la
calidad del producto y con ello la satisfacción del cliente, en este punto se considera
mantener las normas o políticas de calidad de la empresa por medio de la búsqueda de
proveedores competentes que se adecuen a nuestra demanda.

3. Aporte
Los autores presentan un marco de aprovisionamiento de recursos en el ciclo MAPE-K, que
es modelo para la computación autónoma, y la integración del aprendizaje bayesiano.
Además, presentan para cada ciclo en MAPE-K un algoritmo de aprovisionamiento de
recursos. Por otro lado, se muestra el estudio de la violación de SLA o porcentaje de
rechazo de cada intervalo de trabajo, tiempo de repuesta promedio para los seguimientos de
carga de trabajo y las condiciones de carga de máquina virtual. Adicionalmente a lo
SEMINARIO DE INVESTIGACIÓN APLICADA II 2023-01

anterior los autores introducen los seguimientos de servidores web para el análisis del
rendimiento de lo propuesto.

4. Proceso
 En el primer paso se presenta el estudio de trabajo relacionado, es decir, el
desarrollo de varios enfoques utilizados en relación de aprovisionamiento de
recursos. Dentro de este estudio se tiene al aprovisionamiento de recursos basado en
computación autónoma, donde se usa el modelo MAPE-K que según Huebscher &
McCann (2008) sirve para administrarla con autoconfiguración, gestión,
optimización, protección y sanación. Luego se presenta el aprovisionamiento en
aprendizaje autónomo mediante regresión lineal y modelo de red neuronal. Se
considera para ambos una extensión de lógica difusa utilizada para la toma de
decisiones para predecir el uso de los recursos a futuro.
 En el segundo paso se muestran dos antecedentes para implementar el sistema
propuesta. El primero es la arquitectura informática autónoma donde se describe la
relación con el MAPE-K y la técnica de aprendizaje bayesiano para el trabajo con
probabilidades y estimaciones.
 Luego de los antecedentes presenta el enfoque del aprendizaje bayesiano en el ciclo
MAPE-K. Además, mencionan que, dentro del aprovisionamiento de recursos en la
nube, este tiene que pasar por 3 capas como la SaaS, PaaS y laaS donde se ofrecen
proveedores, aprovisionan y almacenan los datos respectivamente. Por otro lado, se
explica las subsecciones del ciclo MAPE-K que inicia con la supervisión, luego se
encuentra el analizador, seguido por el planificador y ejecutor.
 Como tercer paso se presenta la formulación del problema de manera más detallada
usando variables para el aprendizaje bayesiano y muestra el algoritmo de
aprovisionamiento de recursos propuesto, este último realiza una gestión de
máquinas virtuales que están en la nube. En este paso se considera para el algoritmo
las subsecciones del ciclo MAPE-K para su desarrollo.
 Finalmente, el artículo muestra la evaluación del desempeño del mecanismo de
aprovisionamiento de recursos, utilizan el simulador Cloudsim en tiempo real y
considerando un periodo de tiempo asignado por los autores. Además, para esta
evaluación se utiliza la carga de trabajo generados por ClarkNet y el cluster de
Google.
 SEMINARIO DE INVESTIGACIÓN APLICADA II 2023-01

5. Principal Resultado
Como resultado se presenta el análisis de dos propuestas tanto del uso de carga de trabajo
en Clarknet y del clúster de Google, para este análisis se uso los costos totales en la carga
de trabajo en distintos intervalos considerando lo propuesto por los autores y el método
difuso. Según la tabla 1 existe un mayor ahorro de costos para el método propuesto, y esto
se da gracias al uso de la regresión lineal y el aprendizaje bayesiano en la fase de
planificación. Al igual que costos se puede apreciar distintos indicadores para ambos
enfoques, en conclusión, el propuesto tiene menor porcentaje lo que quiere decir que es más
viable. Es importante mencionar también que los autores menciona que esta viabilidad se
dio gracias a que el enfoque probabilístico propuesto trabaja con el aprendizaje autónomo
que hace que el modelo se desempeñe mejor en condiciones inciertas.

Tabla 1
Comparación de las cargas de trabajo de los clústeres de ClarkNet y Google.

Nota: Parámetros promedio para el análisis de Clarknet y Google en el enfoque difuso y el propuesto. Adaptado
de “Dynamic resource provisioning for service-based cloud applications:A Bayesian learning approach”, P.
Reena y M. Supriya, 2022, p.16.

6. Referencias Bibliográficas
Calheiros, R. N., Ranjany, R., & Buyya, R. (2011). Virtual machine provisioning based on
analytical performance and QoS in cloud computing environments. Proceedings of the
International Conference on Parallel Processing, 295–304.
https://doi.org/10.1109/ICPP.2011.17
 SEMINARIO DE INVESTIGACIÓN APLICADA II 2023-01

Huebscher, M. C., & McCann, J. A. (2008). A survey of Autonomic Computing - Degrees,

models, and applications. ACM Computing Surveys, 40(3).
https://doi.org/10.1145/1380584.1380585

7. Evidencia de Scimago