Bauer, AndreHölldobler, Steffen2022-01-142022-01-142021978-3-88579-775-3https://dl.gi.de/handle/20.500.12116/37916Moderne Cloud-Umgebungen unterliegen Lastschwankungen und entsprechend schnellen und unerwarteten Änderungen. Um ausreichend Rechenressourcen rechtzeitig bereitzustellen, müssen sogenannte Auto-Skalierer den zukünftigen Ressourcenbedarf vorhersagen. Allerdings haben bestehende Arbeiten zur Zeitreihenprognose und zur automatischen Skalierung der Cloud zwei große Probleme. Erstens gibt es keinen vollautomatischen und generischen Prognoseansatz, der die vorhandenen Prognosemethoden so kombiniert, dass ihre Stärken genutzt und ihre Schwächen vermieden werden, um genaue Vorhersagen mit einer verlässlichen Laufzeit zu liefern. Zweitens wird bestehenden Auto-Skalierern misstraut, ein zuverlässiges und kosteneffizientes autonomes Ressourcenmanagement für moderne Cloud-Umgebungen zu bieten, da die Sorge besteht, dass ungenaue oder verzögerte Anpassungen zu finanziellen Verlusten führen können. Um diese Probleme zu lösen, stellt die Dissertation drei Beiträge vor: (i) Einen Prognose-Benchmark, der das Problem der begrenzten Vergleichbarkeit zwischen bestehenden Prognosemethoden adressiert; (ii) Eine automatisierte hybride Zeitreihen-Prognosemethode; (iii) Einen neuartiger hybrider Auto-Skalierer für koordinierte Skalierung von Anwendungen.deText/Conference Paper