Modelado de Rendimiento de Plataformas de Computación sin Servidor

Los modelos analíticos de rendimiento se han utilizado extensamente para analizar y mejorar el rendimiento y costo de diversos servicios de computación en la nube. Sin embargo, en el caso de la computación sin servidor, que se proyecta como la forma dominante de computación en la nube en el futuro, no hemos visto modelos analíticos de rendimiento que ayuden en el análisis y optimización de tales plataformas. En este trabajo, proponemos un modelo analítico de rendimiento que captura los detalles únicos de las plataformas de computación sin servidor. El modelo puede ser utilizado para mejorar la calidad del servicio y la utilización de recursos y reducir el costo operativo de las plataformas sin servidor. Además, el modelo de rendimiento propuesto proporciona un marco que permite a las plataformas sin servidor ser conscientes de la carga de trabajo y operar de manera diferente para diferentes cargas de trabajo, a fin de proporcionar un mejor equilibrio entre el costo y el rendimiento según las preferencias del usuario. Las ofertas actuales de computación sin servidor requieren que el usuario tenga un extenso conocimiento de los aspectos internos de la plataforma para realizar despliegues eficientes. Utilizando el modelo analítico propuesto, el proveedor puede simplificar el proceso de despliegue calculando las métricas de rendimiento para los usuarios incluso antes de los despliegues físicos. Validamos la aplicabilidad y precisión del modelo propuesto mediante experimentación extensiva en AWS Lambda. Mostramos que el modelo propuesto puede calcular métricas de rendimiento esenciales como el tiempo promedio de respuesta, la probabilidad de inicio en frío y el número promedio de instancias de función en estado estable. También mostramos cómo el modelo de rendimiento puede ser utilizado para ajustar la plataforma sin servidor para cada carga de trabajo, lo que resultará en un mejor rendimiento o menor costo sin sacrificar el otro. El modelo presentado asume ninguna restricción no realista, de modo que ofrece un alto grado de fidelidad mientras mantiene la trazabilidad a gran escala.