Mejora de arquitecturas cloud utilizando Metamorphic Testing y técnicas de optimización multiobjetivo

Simple item page
dc.contributor.advisorNúñez Covarrubias, Alberto
dc.contributor.advisorCerro Cañizares, Pablo
dc.contributor.authorPérez de la Rubia, Miguel
dc.date.accessioned2024-07-23T08:16:41Z
dc.date.available2024-07-23T08:16:41Z
dc.date.issued2023
dc.descriptionTrabajo de Fin de Máster en Ingeniería Informática, Facultad de Informática UCM, Departamento de Sistemas Informáticos y Computación, Curso 2022/2023.
dc.description.abstractActualmente, debido a la evolución tecnológica existente, se produce una gran cantidad de datos que han de ser gestionados de forma eficiente. Para ello, los sistemas cloud ofrecen una alternativa consistente para reducir el tiempo de procesado. Sin embargo, esto se consigue aumentando los recursos computacionales drásticamente, lo cual conlleva un aumento significativo en el consumo energético del sistema. Teniendo esto en cuenta, además de las crisis climáticas y energéticas vividas en los últimos años, es necesario un nuevo enfoque que trate de minimizar el consumo energético de los sistemas cloud sin reducir – en la medida de lo posible – potencia computacional. Con el fin de afrontar este problema, en este trabajo se han combinado técnicas de optimización multiobjetivo, junto con Metamorphic Testing (MT) y herramientas de simulación, para optimizar sistemas cloud teniendo en cuenta su rendimiento y el consumo energético. Para ello, se han integrado varios algoritmos genéticos multiobjetivo (MOGAs) en el framework MT-EA4Cloud, el cual, en su versión actual, aplica un único algoritmo evolutivo de un sólo objetivo con MT. Además, se ha realizado un estudio empírico para analizar el comportamiento de los distintos MOGAs incluidos en el framework. Se han definido distintos conjuntos de test que representan distintas arquitecturas cloud y dos cargas de trabajo distintas inspiradas en las operaciones realizadas en el análisis de big data. En particular, las trazas empleadas representan la infraestructura de PlanetLab. Los resultados obtenidos muestran laramente que los MOGAs pueden combinarse con MT para optimizar sistemas cloud teniendo en cuenta varios objetivos, en este caso, rendimiento y consumo energético. Tras analizar estos resultados, podemos concluir que utilizar probabilidades altas en los operadores de mutación, proporciona los mejores resultados. Además, en términos generales, el algoritmo NSGAII es el que mejor resultados ha aportado en los experimentos realizados en este estudio.
dc.description.abstractCurrently, due to the existing technological evolution, a large amount of data is being generated that needs to be efficiently managed. For this purpose, cloud systems offer a consistent alternative to reduce processing time. However, this is achieved by drastically increasing computational resources, which leads to a significant increase in the system’s energy consumption. Taking this into account, along with the climate and energy crises experienced in recent years, a new approach is needed to minimize the energy consumption of cloud systems without reducing computational power as much as possible. In order to address this problem, this work combines multi-objective optimization techniques with Metamorphic Testing (MT) and simulation tools to optimize cloud systems while considering their performance and energy consumption. To achieve this, several multi-objective genetic algorithms (MOGAs) have been integrated into the MT-EA4Cloud framework, which in its current version applied a single-objective evolutionary algorithm with MT. Furthermore, an empirical study has been conducted to analyze the behavior of the different MOGAs included in the framework. In this study, various test sets have been defined to represent different cloud architectures and two different workloads inspired by operations performed in big data analysis. In particular, the traces used represent the infrastructure of PlanetLab. The results obtained clearly show that MOGAs can be combined with MT to optimize cloud systems while considering multiple objectives, in this case, performance and energy consumption. After analyzing these results, it can be concluded that using high probabilities in mutation operators provides the best results. Furthermore, in general terms, the NSGAII algorithm has yielded the best results in the experiments conducted in this study.
dc.description.departmentDepto. de Sistemas Informáticos y Computación
dc.description.facultyFac. de Informática
dc.description.refereedTRUE
dc.description.statusunpub
dc.identifier.urihttps://hdl.handle.net/20.500.14352/107018
dc.language.isospa
dc.master.titleMáster en Ingeniería Informática
dc.page.total101
dc.rightsAttribution 4.0 Internationalen
dc.rights.accessRightsopen access
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/
dc.subject.cdu004(043.3)
dc.subject.keywordAlgoritmos genéticos multiobjetivo
dc.subject.keywordMetamorphic testing
dc.subject.keywordSistemas cloud
dc.subject.keywordSimulación
dc.subject.keywordMulti-objective genetic algorithms
dc.subject.keywordMetamorphic testing
dc.subject.keywordCloud systems
dc.subject.keywordSimulation
dc.subject.ucmInformática (Informática)
dc.subject.unesco33 Ciencias Tecnológicas
dc.titleMejora de arquitecturas cloud utilizando Metamorphic Testing y técnicas de optimización multiobjetivo
dc.title.alternativeImproving cloud architectures using Metamorphic Testing and multi-objective optimization techniques
dc.typemaster thesis
dc.type.hasVersionAM
dspace.entity.typePublication
relation.isAdvisorOfPublication739c7331-24ad-41a6-8f5b-873485fa4501
relation.isAdvisorOfPublicationfbd86834-ee36-422f-b303-b72800b228f1
relation.isAdvisorOfPublication.latestForDiscovery739c7331-24ad-41a6-8f5b-873485fa4501
Download
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
Mejora_Arquitecturas_TFM.pdf
Size:
1.93 MB
Format:
Adobe Portable Document Format
downoload Download
Collections
Trabajos Fin de Master (TFM)