« Forschungslandschaft: Projekte

In den letzten zehn Jahren wurden Datenverwaltungssysteme in der Cloud immer beliebter, da sie eine elastische Speicherung auf Abruf und umfangreiche Datenanalysen in der Cloud ermöglichen. Diese Systeme wurden mit dem Hauptziel entwickelt, Skalierbarkeit und Verfügbarkeit auf leicht zu wartende Weise zu unterstützen. Die (Selbst-)Anpassung von Cloud-Datenverwaltungssystemen an spezifische Anforderungen, die über diese grundlegenden Eigenschaften hinausgehen, und an möglicherweise heterogene Anwendungen wird jedoch zunehmend komplexer. Folglich ist das Selbstmanagement-Ideal des Cloud Computing für das Cloud-Datenmanagement noch nicht erreicht. Der Schwerpunkt dieses Dissertationsprojekts liegt auf der (Selbst-)Abstimmung von Cloud-Datenmanagement-Clustern, die eine oder mehrere Anwendungen mit unterschiedlichen Workload-Typen bedienen. Es zielt darauf ab, ein dynamisches Clustering zu erreichen, um eine arbeitslastbasierte Optimierung zu unterstützen. Unser Ansatz basiert auf einer logischen Clusterbildung innerhalb eines DB-Clusters auf der Grundlage verschiedener Kriterien wie Daten, Optimierungsziel, Schwellenwerte und Arbeitslasttypen.