Key points are not available for this paper at this time.
Unvorhergesehene Ereignisse wie Knotenfehler und Ressourcenkonflikte können erhebliche Auswirkungen auf die Leistung von Datenverarbeitungsrahmen wie Hadoop haben, insbesondere in Cloud-Umgebungen, in denen solche Vorfälle häufig auftreten. Die Einhaltung von SLAs in Anwesenheit solcher Ereignisse erfordert die Fähigkeit, Infrastrukturressourcen schnell und dynamisch zu skalieren. Leider erschwert die verteilte und zustandsbehaftete Natur von Datenverarbeitungsrahmen eine genaue Skalierung des Systems zur Laufzeit. In diesem Papier präsentieren wir das Design und die Implementierung einer modellgetriebenen Autoskalierungslösung für Hadoop-Cluster. Wir entwickeln zunächst neuartige Graues-Box-Leistungsmodelle für Hadoop-Workloads, die speziell die Ausführungszeiten von Jobs in Relation zur Ressourcenallokation und den Workload-Parametern setzen. Diese Modelle verwenden wir dann, um dynamisch die benötigten Ressourcen zu bestimmen, um die Hadoop-Jobs erfolgreich gemäß dem benutzerdefinierten SLA unter verschiedenen Szenarien, einschließlich Knotenfehlern und Multi-Job-Ausführungen, abzuschließen. Unsere experimentellen Ergebnisse an drei verschiedenen Hadoop-Cloud-Clustern und über verschiedene Workloads hinweg zeigen die Wirksamkeit unserer Modelle und heben deren Autoskalierungsfähigkeiten hervor.
Gandhi et al. (Fr,) haben diese Frage untersucht.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: