Autonomes Performanz- und Ressourcen-Management in dynamischen, dienstorientierten Umgebungen

点击翻译按钮获取中文摘要

Moderne, dienstorientierte Software-Architekturen (engl. Service-oriented Architecture, SOA) bestehen aus lose-gekoppelten, dynamischen Diensten (engl. Services), die unabhängig voneinander weiterentwickelt und betrieben werden. Hierbei spielt insbesondere die Dynamik und Flexibilität der Systeme eine große Rolle, da einzelne Dienste und Anwendungen während der Laufzeit entfernt oder neu eingebunden werden können und dadurch Systemkomponenten schwer vorhersagbaren Lastschwankungen unterliegen. Durch die Dynamik und Unabhängigkeit sowie die Vernetzung und Interaktion der Dienste untereinander ergeben sich für die Vorhersage und Verwaltung (engl. Management) der Performanz neue, bisher nicht behandelte Herausforderungen. Bestehende Ansätze zur Performanz-Vorhersage von SOA Systemen basieren auf statischen Modellen die zur Entwurfszeit oder während der Bereitstellung des Systems eingesetzt werden. Diese können allerdings nicht die dynamischen Einflüsse und Änderungen eines SOA-Systems berücksichtigen. Daher weisen viele im praktischen Einsatz befindliche Systeme eine schlechte Performanz und Ressourceneffizienz auf und haben zudem oft hohe Betriebskosten. Das beantragte Projekt schlägt eine neue Methode zur Entwicklung und zum Management von SOA Systemen vor, welche die Erstellung von “self-aware” und autonomen SOA-Systemen und Diensten ermöglicht. Diese Systeme werden in der Lage sein Änderungen in der Umgebung automatisch zu registrieren und die Auswirkung solcher Änderungen auf ihre Performanz vorherzusagen. Darüber hinaus werden sich die Systeme automatisch an solche Änderungen anpassen, um eine akzeptable Performanz und eine effiziente Ressourcenauslastung zu gewährleisten. Diese Vision soll durch die Nutzung von Vorhersagemodellen realisiert werden die zur Laufzeit aus Informationen über die evolvierende System¬konfiguration automatisch erzeugt werden. Die Modelle werden dann genutzt, um Systemeigenschaften vorherzusagen und Ressourcen effizient und autonom zu verwalten.