Título: | Predição de custo de execução de código em funções Lambda |
Autor(es): | Carvalho, Lucas Ganda Girardi, Wictor Bastos |
Orientador(es): | Lima, Daniel Sundfeld |
Assunto: | Computação em nuvem Rede neural recorrente |
Data de apresentação: | 27-Jul-2023 |
Data de publicação: | 3-Jul-2024 |
Referência: | CARVALHO, Lucas Ganda; GIRARDI, Wictor Bastos. Predição de custo de execução de código em funções Lambda. 2023. 72 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Software) — Universidade de Brasília, Brasília, 2023. |
Resumo: | A computação em nuvem é uma arquitetura distribuída que permite a virtualização de recursos computacionais, configuráveis e escaláveis, sob demanda e em larga escala. Recentemente, os provedores passaram a oferecer uma grande quantidade de serviços de computação sem servidor. Neles, é possível criar e executar aplicações ou códigos sem a necessidade de fazer o gerenciamento de servidores, como é o exemplo da AWS Lambda, que permite a execução de funções e abstrai do usuário a gerência das demais tarefas, permitindo-o focar no desenvolvimento, além de cobrar somente pelos recursos utilizados, tomando como base para o cálculo do custo o número de vezes e o tempo de duração da execução do código. Neste trabalho, propomos um método que possibilita a previsão de custos de funções, no ambiente da AWS Lambda, baseado em diferentes parâmetros. Antever este custo necessita da previsão do tempo de execução. Para isso, utilizamos e avaliamos o desempenho de 4 técnicas: Regressão Linear, Regressão Polinomial, Floresta Aleatória e Árvore de Decisão. Utilizando essa predição de tempo, desenvolvemos uma ferramenta web com uma interface intuitiva e simples que permite ao usuário entrar com os dados de determinada função e receber o valor aproximado do custo de execução da função. Os resultados mostram uma previsão com até 99.76% de precisão no tempo dos casos, dessa forma o custo foi antevisto com uma baixa taxa de erro. |
Abstract: | Cloud computing is a distributed architecture that allows the virtualization of computing resources, configurable and scalable, on demand and on a large scale. Recently, providers have started to offer a large amount of serverless computing services. In them, it is possible to create and run applications or codes without the need to manage servers, as is the example of AWS Lambda, which allows the execution of functions and abstracts the user from managing other tasks, allowing him to focus on development, in addition to charging only for the resources used, based on the number of times and duration of code execution as a basis for calculating the cost. In this work, we propose a method that allows the prediction of function costs, in the AWS Lambda environment, based on different parameters. Anticipating this cost requires forecasting the execution time. For this, we used and evaluated the performance of 4 techniques: Linear Regression, Polynomial Regression, Random Forest and Decision Tree. Using this time prediction, we developed a web tool with an intuitive and simple interface that allows the user to enter data for a given function and receive the approximate value of the cost of executing the function. The results show a prediction with up to 99.76% accuracy in the time of the cases, in this way the cost was foreseen with a low error rate. |
Informações adicionais: | Trabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Faculdade UnB Gama, 2023. |
Licença: | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta. |
Aparece na Coleção: | Engenharia de Software
|
Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.