Los investigadores de IMDEA Software Georgia Christofidi, Konstantinos Papaioannou y Thaleia Dimitra Doudali plantean esta intrigante cuestión en su publicación más reciente en el 14º ACM Symposium on Cloud Computing (SoCC 2023). La respuesta es muy perspicaz y prometedora.
Los investigadores realizaron un extenso análisis de conjuntos de datos públicos de varios proveedores de nubes (Google, Microsoft Azure, Alibaba, Bitbrains. Su estudio revela que las cargas de trabajo y los servidores en nube utilizan los recursos de hardware (computación, memoria, disco) a lo largo del tiempo de forma muy predecible, porque los valores persisten en el tiempo. Esto significa que los niveles de uso de los recursos cambian muy poco en ventanas temporales cortas (por ejemplo, cada 5 minutos). Esto brinda la oportunidad de que métodos de previsión muy sencillos y ligeros proporcionen predicciones suficientemente precisas para que los sistemas de gestión de recursos en la nube sean eficaces.
Y en los casos de patrones de uso de recursos más impredecibles, en los que el aprendizaje automático podría utilizarse para ofrecer previsiones potencialmente muy precisas, los investigadores desacreditan la eficacia de las populares LSTM (un tipo de red neuronal utilizada para la previsión de series temporales). Lo que parece ser una predicción muy precisa no es más que una versión modificada de la entrada. Algo que validan con una amplia experimentación, así como con la observación de trabajos relacionados.
Entonces, ¿cuál es la respuesta a la pregunta? ¿Es necesario el aprendizaje automático para predecir el uso de recursos en la nube?
No. Al menos en su mayor parte.
Con la publicación de este artículo, los investigadores pretenden destacar la importancia de revisar mecanismos sencillos y comprender mejor los datos, antes de dar lugar al uso de métodos de aprendizaje automático en el contexto de la gestión de recursos en la nube. Y cuando se utiliza el aprendizaje automático, validar y evaluar a fondo su eficacia. ¿Aprende de verdad? ¿Es práctico utilizarlo?
Encontrará más información, análisis y resultados experimentales en nuestro documento de investigación. El código base de la evaluación experimental es de código abierto. El artículo también apareció en un episodio de podcast de “Disseminate: the Computer Science Research Podcast”.
Descargar el Paper | Escuchar el Podcast | Ejecutar el Codebase
