COSE : Configuration de Fonctions Serverless à l'aide de l'Apprentissage Statistique

L'informatique sans serveur est apparue comme un nouveau paradigme convaincant pour le déploiement d'applications et de services. Elle représente une évolution de l'informatique en nuage avec un modèle de programmation simplifié, visant à abstraire la plupart des préoccupations opérationnelles. L'exécution de fonctions sans serveur nécessite que les utilisateurs configurent plusieurs paramètres, tels que la mémoire, le CPU, le fournisseur de cloud, etc. Bien que relativement plus simple, configurer correctement ces paramètres tout en minimisant les coûts et en respectant les contraintes de délai n'est pas trivial. Dans cet article, nous présentons COSE, un cadre qui utilise l'Optimisation Bayesienne pour trouver la configuration optimale pour les fonctions sans serveur. COSE utilise des techniques d'apprentissage statistique pour collecter intelligemment des échantillons et prédire le coût et le temps d'exécution d'une fonction sans serveur à travers des valeurs de configuration non vues. Notre cadre utilise le coût et le temps d'exécution prédits, pour sélectionner les paramètres de configuration "meilleurs" pour exécuter une seule fonction ou une chaîne de fonctions, tout en satisfaisant les objectifs des clients. De plus, COSE a la capacité de s'adapter aux changements du temps d'exécution d'une fonction sans serveur. Nous évaluons COSE non seulement sur un fournisseur de cloud commercial, où nous avons réussi à trouver des configurations optimales/près de l'optimal en aussi peu que cinq échantillons, mais également sur une large gamme d'environnements de cloud distribués simulés qui confirment l'efficacité de notre approche.