Um Recomendador de Alocação de Recursos em Computação em Nuvem usando Algoritmos Genéticos e SVR.

• Ano de defesa: 2018
• Autor(a) principal: REIS, Thiago Nelson Faria dos
• Orientador(a): TEIXEIRA, Mário Antonio Meireles
• Banca de defesa: TEIXEIRA, Mário Antonio Meireles , ALMEIDA, João Dallyson Sousa de , SOARES, André Castelo Branco , PAIVA, Anselmo Cardoso de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Maranhão
• Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET
• Departamento: DEPARTAMENTO DE INFORMÁTICA/CCET
• País: Brasil
• Palavras-chave em Português: Computação em Nuvem; Algoritmo Genético; Regressão de Vetores de Suporte; Recomendador de configuração; Weka
• Palavras-chave em Inglês: Cloud Computing; Genetic Algorithms; Support Vector Regression; Configuration Recommender; Weka
• Área do conhecimento CNPq: Análise de Algoritmos e Complexidade de Computação.
• Link de acesso: https://tedebc.ufma.br/jspui/handle/tede/2323

The allocation of resources in Cloud Computing has been done in a reactive way, what can generate service guarantee failures and the charging of idle resources. In order to alleviate these problems, the objective of this work is to present a predictive resource allocation solution, in the form of a Configuration Recommender, using Support Vector Regression (SVR) and Genetic Algorithms (GA). As a case study, machine learning applications based on the Weka tool are chosen. This arrangement is used to compute application execution time and recommend a viable and valid configuration of cloud resources, based on the estimation of execution time and costs. The results show that the predicted times had an acuracy of 94.71% in relation to the real ones, thus leading to an efficient estimation of time and cost. In some cases of execution in the cloud environment, there was a reduction of time and cost of 38.8% and 45.62%, respectively.