QoS-Based Optimization of Runtime Management of Sensing Cloud Applications

Die vorliegende Arbeit prasentiert Ansatze und Techniken zur qualitatsbewussten Verbesserung des Laufzeitmanagements von IoT-Anwendungen. IoT-Anwendungen nehmen uber die Sensorik von Smart Devices ihre Umgebung wahr, um diese zu analysieren oder mit ihr zu interagieren. Smart Devices sind in der Rechen- und Speicherleistung begrenzt, weshalb viele IoT-Anwendungen uber eine IoT Plattform mit elastischen und skalierbaren Cloud Services verbunden sind. Die Last auf dem Cloud Service entsteht durch die verbundenen Smart Devices, die kontinuierlich Nachrichten transferieren. Die Ressourcenkonfiguration des Cloud Services beeinflusst dessen Kapazitat. Ein Service Operator, der eine IoT-Anwendung betreibt, ist mit der Herausforderung konfrontiert, die Smart Devices und den Cloud Service so zu konfigurieren, dass eine hohe Datenqualitat bei niedrigen Betriebskosten erreicht wird. Um hierbei den Service Operator zur Design Time zu unterstutzen, modellieren wir Kostenfunktionen fur Datenqualitaten, die durch das Wechselspiel der Smart Device- und Cloud Service-Konfiguration beeinflusst werden. Mit Hilfe dieser Kostenfunktionen kann ein Service Operator nach einer kostenminimalen Konfiguration fur bestimmte Szenarien suchen. Existierende Ansatze zur Optimierung von Anwendungen zur Design Time fokussieren sich auf traditionelle Software-Architekturen und bieten daher nicht die notwendigen Konzepte zur Kostenmodellierung von IoT-Anwendungen an. Des Weiteren unterstutzen wir den Service Operator durch Lastkontrollverfahren, die auf Kapazitatsengpasse des Cloud Services durch eine kontrollierte Reduktion der Nachrichtenrate reagieren. Wahrend sich das auf die Genauigkeit der Messungen nachteilig auswirken kann, stabilisieren sich zeitliche Verzogerungen und die IoT-Anwendung bleibt auch in starken Uberlastszenarien verfugbar. Existierende Laufzeittechniken fokussieren sich auf die automatische Ressourcenprovisionierung von Cloud Services durch Auto-Scaler. Diese ermoglichen zwar, auf Kapazitatsengpasse und Lastschwankungen zu reagieren, doch die erreichte Quality-of-Service (QoS) kann dadurch mit hohen Betriebskosten verbunden sein. Daher ermoglichen wir durch die Lastkontrollverfahren eine weitere Technik, mit der einerseits dynamisch auf Kapazitatsengpasse reagiert werden und andererseits die zur Verfugung stehende Kapazitat eines Cloud Services effizient genutzt werden kann. Auserdem prasentieren wir Kopplungstechniken, die Auto-Scaling und Lastkontrollverfahren kombinieren. Bestehende Ansatze zur Rekonfiguration von Smart Devices konzentrieren sich auf Qualitaten wie Genauigkeit oder Energie-Effizienz und sind daher ungeeignet, um auf Kapazitatsengpasse zu reagieren. Zusammenfassend liefert die Dissertation die folgenden Beitrage: 1. Untersuchung von Performance Metriken fur Skalierentscheidungen: Wir haben Infrastuktur- und Anwendungsebenen-Metriken daraufhin evaluiert, wie geeignet sie fur Skalierentscheidungen von Microservices sind, die variierende Charakteristiken aufweisen. Auf Basis der Ergebnisse kann ein Service Operator eine fundierte Entscheidung daruber treffen, welche Performance Metrik zur Skalierung eines bestimmten Microservices am geeignesten ist. 2. Design von QoS Kostenfunktionen fur IoT-Anwendungen: Wir haben ein QoS Kostenmodell aufgestellt, dass das Wirken von Smart Device- und Cloud Service-Konfiguration auf die Qualitaten einer IoT-Anwendung erfasst. Auf Grundlage dieser Kostenmodelle kann die Konfiguration von IoT-Anwendungen zur Design Time optimiert werden. Des Weiteren konnen mit den Kostenfunktionen Laufzeitverfahren hinsichtlich ihrem Beitrag zur QoS fur verschiedene Szenarien evaluiert werden. 3. Entwicklung von Lastkontrollverfahren fur IoT-Anwendungen: Die prasentierten Verfahren bieten einen komplementaren Mechanismus zu Auto-Scaling an, um bei Kapazitatsengpassen die QoS aufrechtzuerhalten. Hierbei wird die Gesamtlast auf dem Cloud Service durch Anpassungen der Nachrichtenrate der Smart Devices reduziert. Ein Service Operator hat hiermit die Moglichkeit, Kapazitatsengpassen uber eine Degradierung der Datenqualitat zu begegnen. 4. Kopplung von Lastkontrollverfahren mit Ressourcen-Provisionierung: Wir prasentieren regelbasierte Kopplungsmechanismen, die reaktiv Lastkontrollverfahren oder Auto-Scaler aktivieren und diese damit koppeln. Das ermoglicht, auf Kapazitatsengpasse uber eine Kombination von Datenqualitatsreduzierungen und Ressourcekostenerhohungen zu reagieren. 5. Design eines Frameworks zur Entwicklung selbst-adaptiver Systeme: Das selbst-adaptive Framework bietet ein Anwendungsmodell fur IoT-Anwendungen und Konzepte fur die Rekonfiguration von Microservices und Smart Devices an. Es kann in verschiedenen Cloud-Umgebungen aufgesetzt werden und beschleunigt die prototypische Entwicklung von Laufzeitverfahren. Wir validierten die Ansatze anhand zweier Case Study Systeme unterschiedlicher Komplexitat. Das erste Case Study System besteht aus einem Cloud Service, welcher uber eine IoT Plattform Nachrichten von virtuellen Smart Devices verarbeitet. Mit diesem System haben wir fur unterschiedliche Anwendungsszenarien die Charakteristiken der vorgestellten Lastkontrollverfahren analysiert, um diese gegen Auto-Scaling und einer Kopplung der Ansatze zu vergleichen. Hierbei stellte sich heraus, dass die Lastkontrollverfahren ahnlich effizient wie Auto-Scaler Uberlastszenarien addressieren konnen und sich die QoS in einem vergleichbaren Bereich bewegt. Im Schnitt erreichten die Lastkontrollverfahren in den untersuchten Szenarien etwa 50 % geringere QoS Gesamtkosten. Es zeigte sich auch, dass sowohl Auto-Scaling als auch die Lastkontrollverfahren in bestimmten Anwendungsszenarien deutliche Nachteile haben, so z. B. wenn die Datengenauigkeit oder Ressourcenkosten im Vordergrund stehen. Es hat sich gezeigt, dass eine Kopplung hierbei immer vorteilhaft ist, um die QoS beizubehalten. Im zweiten Case Study System haben wir eine intelligente Heizungslosung der Robert Bosch GmbH implementiert, um die Ansatze an einem komplexeren System zu validieren. Auch hier zeigte sich, dass eine Kombination von Lastkontrolle und Auto-Scaling am vorteilhaftesten ist und zu einer hohen Datenqualitat bei geringen Ressourcenkosten beitragt. Die Ergebnisse zeigen, dass die vorgestellten Lastkontrollverfahren geeignet sind, die QoS von IoT Anwendungen zu verbessern. Es bietet einem Service Operator damit ein weiteres Werkzeug fur das Laufzeitmanagement von IoT Anwendungen, dass einen zum Auto-Scaling komplementaren Mechanismus verwendet. Das hier vorgestellte Framework zur Entwicklung selbst-adaptiver IoT Systeme haben wir zur empirischen Beantwortung der Forschungsfragen instanziiert und damit dessen Eignung demonstriert. Wir zeigen auserdem eine exemplarische Verwendung der vorgestellten Kostenfunktionen fur verschiedene Anwendungsszenarien und binden diese im Zuge der Validierung in einem Optimierungs-Framework ein.