Cloud computing has brought many benefits to its users that are derived from its specific characteristics. However, it also creates new challenges as regards the provisioning of software and hardware services. One of the most significant challenges is the appropriate provisioning of high quality services that cloud providers should offer to their customers. Given the large number of cloud service providers, it is essential to supply customers with services that satisfy their needs and the expected level of quality. The characteristics of the Quality of Services (QoS) agreed upon between customers and providers are contained in Service Level Agreements (SLAs), which also describes the penalties to be applied when the SLA is violated. It is, therefore, necessary to monitor the status of services to the fulfillment of SLAs. Monitoring methods and tools plays a crucial role in this context, as they provide information about the status of the running services and their quality level. Although there are many general purpose monitoring solutions, it is not possible to use them properly for the monitoring of specific resources in cloud environments. Moreover, there are specific solutions for cloud services with which to determine compliance with the SLA and the overall behavior and quality of cloud services. However, these solutions have significant limitations when monitoring specific individual needs because they are focused on monitoring low-level quality attributes (e.g., CPU or disk usage), and because of their rigidity as regards dealing with the modifications of monitoring requirements at runtime. In addition, other solutions are limited to certain cloud platforms or do not exploit data monitoring provided by third parties. There is thus a need for a method with which to monitor cloud services that can help to mitigate these problems, and also exploit data obtained by third-party solutions (e.g., specialized tools with which to monitor certain quality attributes, agents, data provided by platform libraries). The hypothesis of this thesis is that the use of models at runtime, which is a Model Driven Engineering (MDE) technique, can provide an appropriate solution to this problem owing to its reflection mechanisms that decouple the model specification which contain the monitoring requirements from the monitoring infrastructure. The principal objective of this thesis is, therefore, the definition and empirical validation of Cloud MoS@RT, a method for monitoring services deployed in the cloud. We have also designed and implemented a monitoring infrastructure that supports the proposed method. Finally, the method and the monitoring infrastructure have been empirically evaluated through a quasi-experiment and three replications with participants from Spain, Paraguay, and Ecuador. Consequently, it is important to emphasize that this thesis contributes to an innovative monitoring solution, owing to its high flexibility as regards specifying monitoring requirements provided by the model at runtime. The solution is also highly interoperable as it allows the extraction and integration of monitoring data from various scenarios and data sources. / La computación en la nube ha traído consigo muchas ventajas derivadas de sus características particulares, proporcionando a sus usuarios varios beneficios pero también nuevos retos en el aprovisionamiento de servicios de hardware y software. Entre los desafíos más significativos está el aprovisionamiento adecuado y de alta calidad de los servicios que el proveedor ofrece a sus clientes. Dado el amplio número de proveedores de plataformas en la nube, se hace indispensable que éstos ofrezcan servicios de calidad, a fin de satisfacer las expectativas de sus clientes. Las características de calidad de los servicios (Quality of Services, QoS) que son pactadas entre clientes y proveedores se ven reflejadas en los acuerdos de nivel de servicios (Service Level Agreement, SLA), que también describen las penalizaciones que se deben aplicar en caso de incumplimientos del SLA. De ahí, la necesidad de conocer el estado actual de los servicios para comprobar si los términos del SLA se cumplen. Los métodos y herramientas de monitorización juegan un papel crucial en este contexto ya que proporcionan información sobre la utilización de los servicios y su nivel de calidad. A pesar de que existen muchas soluciones de monitorización de propósito general, éstas no se adaptan adecuadamente debido a que es habitual necesitar monitorizar aspectos específicos de los servicios con respecto a los recursos concretos de la plataforma. Por otra parte, existen soluciones de monitorización específicas para la nube, pero estas presentan limitaciones importantes a la hora de especificar necesidades de monitorización particulares ya que están centradas en monitorizar atributos de calidad de bajo nivel (uso de CPU, memoria en disco, etc) o son muy rígidas para poder modificar los requisitos en tiempo de ejecución. Además, algunas soluciones existentes están limitadas a ciertas plataformas cloud y otras no permiten explotar datos de monitorización provistos por otras herramientas ya que funcionan de manera aislada. De esta forma, surge la necesidad de un método de monitorización de servicios cloud que permita mitigar los problemas descritos y que además, explote datos obtenidos por soluciones de terceros, ya sean herramientas especializadas en monitorizar ciertos atributos de calidad, agentes, datos proporcionados por las plataformas cloud, entre otros. La hipótesis de esta tesis es que la utilización de modelos en tiempo de ejecución, una técnica que se enmarca en la Ingeniería Dirigida por Modelos, puede constituir una solución apropiada ya que estos modelos permitirán cambiar dinámicamente los requisitos de monitorización sin la necesidad de cambiar la infraestructura de monitorización. Por tanto, el principal objetivo de esta tesis doctoral es la definición y validación empírica de un método de monitorización de servicios cloud (Cloud MoS@RT) que explote los modelos en tiempo de ejecución para hacer frente a los desafíos de monitorización de servicios cloud previamente mencionados. Además, se ha diseñado e implementado una infraestructura de monitorización que soporta el método propuesto. Finalmente, el método y la infraestructura de monitorización han sido validados empíricamente mediante un cuasi-experimento y tres replicaciones en España, Paraguay y Ecuador. Por tanto, esta tesis doctoral presenta una solución de monitorización innovadora, ya que al emplear modelos en tiempo de ejecución, proporciona un alto grado de flexibilidad en la especificación de requisitos de monitorización de servicios cloud, evitando la re-implementación de la infraestructura, todo esto debido a que cualquier modificación en los requisitos de monitorización se incluyen en el modelo en tiempo de ejecución. Por otro lado, la solución es interoperable debido a que permite la captura e integración de datos de monitorización desde distintos escenarios y fuentes de datos. / La computació en el núvol (cloud computing) ha comportat molts avantatges derivades de les seues característiques particulars (autoservei baix demanda, accés ampli a la xarxa, elasticitat, model de multitenencia, pagament per l'ús, entre d'altres) proporcionant als seus usuaris diversos beneficis però també nous reptes en l'aprovisionament de serveis de maquinari i programari. Entre els desafiaments més significatius està l'aprovisionament adequat i d'alta qualitat dels serveis que el proveïdor oferix als seus clients. Donat l'ampli nombre de proveïdors de plataformes en el núvol, es fa indispensable que estos oferisquen serveis de qualitat, a fi de satisfer les expectatives dels seus clients. Les característiques de qualitat dels serveis (Quality of Services, QoS) que són pactats entre clients i proveïdors es veuen reflecticts en els acords de nivell de servei (Service Level Agreenment, SLA) , que també descriuen les penaliaciones que s'han d'aplicar en cas d'incompliments del SLA. D'ací, la necessitat de conéixer l'estat actual dels serveris amb la fí comprovar si els termes del SLA es complixen. Els mètodes i ferramentes de monitorització juguen un paper crucial en este context ja que proporcionen informació sobre la utilització dels serveis i el seu nivell de qualitat. A pesar que hi ha moltes solucions de monitorització de propòsit general, estes no s'adapten adequadament pel fet que és habitual necessitar monitoritzar aspectes específics dels serveis respecte als recursos concrets de la plataforma. D'altra banda, hi ha solucions de monitorització específiques per al núvol, però estes presenten limitacions importants a l'hora d'especificar necessitats de monitorització particulars ja que estan centrades a monitoritzar atributs de qualitat de baix nivell (ús de CPU i memòria en disc) o a la seua rigidesa per a modificar els requisits en temps d'execució. A més, algunes solucions existents estan limitades a certes plataformes cloud i altres no permeten explotar dades de monitorització proveïts per altres ferramentes ja que funcionen de manera aïllada. D'esta manera, sorgix la necessitat d'un mètode de monitorització de servicis cloud que permeta mitigar els problemes descrits i que a més, explote les dades obtinguts per solucions de tercers, ja siguen ferramentes especialitzades a monitoritzar certs atributs de qualitat, agents, o les dades proporcionats per les plataformes cloud, entre d'altres. La hipòtesi d'esta tesi és que la utilització de models en temps d'execució (models@run.time), una tècnica que s'emmarca en l'Enginyeria Dirigida per Models, pot constituir una solució apropiada ja que estos models permetran canviar dinàmicament els requisits de monitorització sense la necessitat de canviar la infraestructura de monitorització. Per tant, el principal objectiu d'esta tesi doctoral és la definició i validació empírica d'un mètode de monitorització de servicis cloud (Cloud MoS@RT) que explota els models en temps d'execució per a fer front als desafiaments de monitorització de serves cloud prèviament mencionats. A més, s'ha dissenyat i implementat una infraestructura de monitorització que suporta el mètode proposat. Finalment, el mètode i la infraestructura de monitorització han sigut validats empíricament per mitjà d'un quasi-experiment i tres replicacions del mateix a Espanya, Paraguai i L'Equador. Per tant, cal destacar que aquesta tesi doctoral presenta una solució de monitorització innovadora, ja que a l'emprar models en temps d'execució, proporciona un alt grau de flexibilitat en l'especificació de requisits de monitorització de serveis cloud, evitant la reimplementació de la infraestructura, tot açò pel fet que qualsevol modificació en els requisits de monitorització s'inclouen en el model en temps d'execució. D'altra banda, la solució és interoperable pel fet que permet la captura i integració de dades de monitorització des / Cedillo Orellana, IP. (2017). Monitorización de calidad de servicios cloud mediante modelos en tiempo de ejecución [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/78032

[ES] Con el desarrollo de la Computación en la Nube, la entrega de recursos virtualizados a través de Internet ha crecido enormemente en los últimos años. Las Funciones como servicio (FaaS), uno de los modelos de servicio más nuevos dentro de la Computación en la Nube, permite el desarrollo e implementación de aplicaciones basadas en eventos que cubren servicios administrados en Nubes públicas y locales. Los proveedores públicos de Computación en la Nube adoptan el modelo FaaS dentro de su catálogo para proporcionar computación basada en eventos altamente escalable para las aplicaciones. Por un lado, los desarrolladores especializados en esta tecnología se centran en crear marcos de código abierto serverless para evitar el bloqueo con los proveedores de la Nube pública. A pesar del desarrollo logrado por la informática serverless, actualmente hay campos relacionados con el procesamiento de datos y la optimización del rendimiento en la ejecución en los que no se ha explorado todo el potencial. En esta tesis doctoral se definen tres estrategias de computación serverless que permiten evidenciar los beneficios de esta tecnología para el procesamiento de datos. Las estrategias implementadas permiten el análisis de datos con la integración de dispositivos de aceleración para la ejecución eficiente de aplicaciones científicas en plataformas cloud públicas y locales. En primer lugar, se desarrolló la plataforma CloudTrail-Tracker. CloudTrail-Tracker es una plataforma serverless de código abierto basada en eventos para el procesamiento de datos que puede escalar automáticamente hacia arriba y hacia abajo, con la capacidad de escalar a cero para minimizar los costos operativos. Seguidamente, se plantea la integración de GPUs en una plataforma serverless local impulsada por eventos para el procesamiento de datos escalables. La plataforma admite la ejecución de aplicaciones como funciones severless en respuesta a la carga de un archivo en un sistema de almacenamiento de ficheros, lo que permite la ejecución en paralelo de las aplicaciones según los recursos disponibles. Este procesamiento es administrado por un cluster Kubernetes elástico que crece y decrece automáticamente según las necesidades de procesamiento. Ciertos enfoques basados en tecnologías de virtualización de GPU como rCUDA y NVIDIA-Docker se evalúan para acelerar el tiempo de ejecución de las funciones. Finalmente, se implementa otra solución basada en el modelo serverless para ejecutar la fase de inferencia de modelos de aprendizaje automático previamente entrenados, en la plataforma de Amazon Web Services y en una plataforma privada con el framework OSCAR. El sistema crece elásticamente de acuerdo con la demanda y presenta una escalado a cero para minimizar los costes. Por otra parte, el front-end proporciona al usuario una experiencia simplificada en la obtención de la predicción de modelos de aprendizaje automático. Para demostrar las funcionalidades y ventajas de las soluciones propuestas durante esta tesis se recogen varios casos de estudio que abarcan diferentes campos del conocimiento como la analítica de aprendizaje y la Inteligencia Artificial. Esto demuestra que la gama de aplicaciones donde la computación serverless puede aportar grandes beneficios es muy amplia. Los resultados obtenidos avalan el uso del modelo serverless en la simplificación del diseño de arquitecturas para el uso intensivo de datos en aplicaciones complejas. / [CA] Amb el desenvolupament de la Computació en el Núvol, el lliurament de recursos virtualitzats a través d'Internet ha crescut granment en els últims anys. Les Funcions com a Servei (FaaS), un dels models de servei més nous dins de la Computació en el Núvol, permet el desenvolupament i implementació d'aplicacions basades en esdeveniments que cobreixen serveis administrats en Núvols públics i locals. Els proveïdors de computació en el Núvol públic adopten el model FaaS dins del seu catàleg per a proporcionar a les aplicacions computació altament escalable basada en esdeveniments. D'una banda, els desenvolupadors especialitzats en aquesta tecnologia se centren en crear marcs de codi obert serverless per a evitar el bloqueig amb els proveïdors del Núvol públic. Malgrat el desenvolupament alcançat per la informàtica serverless, actualment hi ha camps relacionats amb el processament de dades i l'optimització del rendiment d'execució en els quals no s'ha explorat tot el potencial. En aquesta tesi doctoral es defineixen tres estratègies informàtiques serverless que permeten demostrar els beneficis d'aquesta tecnologia per al processament de dades. Les estratègies implementades permeten l'anàlisi de dades amb a integració de dispositius accelerats per a l'execució eficient d'aplicacion scientífiques en plataformes de Núvol públiques i locals. En primer lloc, es va desenvolupar la plataforma CloudTrail-Tracker. CloudTrail-Tracker és una plataforma de codi obert basada en esdeveniments per al processament de dades serverless que pot escalar automáticament cap amunt i cap avall, amb la capacitat d'escalar a zero per a minimitzar els costos operatius. A continuació es planteja la integració de GPUs en una plataforma serverless local impulsada per esdeveniments per al processament de dades escalables. La plataforma admet l'execució d'aplicacions com funcions severless en resposta a la càrrega d'un arxiu en un sistema d'emmagatzemaments de fitxers, la qual cosa permet l'execució en paral·lel de les aplicacions segon sels recursos disponibles. Este processament és administrat per un cluster Kubernetes elàstic que creix i decreix automàticament segons les necessitats de processament. Certs enfocaments basats en tecnologies de virtualització de GPU com rCUDA i NVIDIA-Docker s'avaluen per a accelerar el temps d'execució de les funcions. Finalment s'implementa una altra solució basada en el model serverless per a executar la fase d'inferència de models d'aprenentatge automàtic prèviament entrenats en la plataforma de Amazon Web Services i en una plataforma privada amb el framework OSCAR. El sistema creix elàsticament d'acord amb la demanda i presenta una escalada a zero per a minimitzar els costos. D'altra banda el front-end proporciona a l'usuari una experiència simplificada en l'obtenció de la predicció de models d'aprenentatge automàtic. Per a demostrar les funcionalitats i avantatges de les solucions proposades durant esta tesi s'arrepleguen diversos casos d'estudi que comprenen diferents camps del coneixement com l'analítica d'aprenentatge i la Intel·ligència Artificial. Això demostra que la gamma d'aplicacions on la computació serverless pot aportar grans beneficis és molt àmplia. Els resultats obtinguts avalen l'ús del model serverless en la simplificació del disseny d'arquitectures per a l'ús intensiu de dades en aplicacions complexes. / [EN] With the development of Cloud Computing, the delivery of virtualized resources over the Internet has greatly grown in recent years. Functions as a Service (FaaS), one of the newest service models within Cloud Computing, allows the development and implementation of event-based applications that cover managed services in public and on-premises Clouds. Public Cloud Computing providers adopt the FaaS model within their catalog to provide event-driven highly-scalable computing for applications. On the one hand, developers specialized in this technology focus on creating open-source serverless frameworks to avoid the lock-in with public Cloud providers. Despite the development achieved by serverless computing, there are currently fields related to data processing and execution performance optimization where the full potential has not been explored. In this doctoral thesis three serverless computing strategies are defined that allow to demonstrate the benefits of this technology for data processing. The implemented strategies allow the analysis of data with the integration of accelerated devices for the efficient execution of scientific applications on public and on-premises Cloud platforms. Firstly, the CloudTrail-Tracker platform was developed to extract and process learning analytics in the Cloud. CloudTrail-Tracker is an event-driven open-source platform for serverless data processing that can automatically scale up and down, featuring the ability to scale to zero for minimizing the operational costs. Next, the integration of GPUs in an event-driven on-premises serverless platform for scalable data processing is discussed. The platform supports the execution of applications as serverless functions in response to the loading of a file in a file storage system, which allows the parallel execution of applications according to available resources. This processing is managed by an elastic Kubernetes cluster that automatically grows and shrinks according to the processing needs. Certain approaches based on GPU virtualization technologies such as rCUDA and NVIDIA-Docker are evaluated to speed up the execution time of the functions. Finally, another solution based on the serverless model is implemented to run the inference phase of previously trained machine learning models on theAmazon Web Services platform and in a private platform with the OSCAR framework. The system grows elastically according to demand and is scaled to zero to minimize costs. On the other hand, the front-end provides the user with a simplified experience in obtaining the prediction of machine learning models. To demonstrate the functionalities and advantages of the solutions proposed during this thesis, several case studies are collected covering different fields of knowledge such as learning analytics and Artificial Intelligence. This shows the wide range of applications where serverless computing can bring great benefits. The results obtained endorse the use of the serverless model in simplifying the design of architectures for the intensive data processing in complex applications. / Naranjo Delgado, DM. (2021). Serverless Computing Strategies on Cloud Platforms [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/160916