Modelos de Risco de Wall Street Aumentam Eficiência da Computação em Nuvem

Para acompanhar a demanda sempre crescente por armazenamento em nuvem e computação em nuvem, empresas gastam milhões de dólares aumentando a capacidade de suas redes WAN.

Um dos principais desafios é manter um bom equilíbrio entre disponibilidade e utilização da rede. Um canal altamente utilizado pode não conseguir lidar com aumento súbito de tráfego, resultando em falha de nó/link.

Para resolver este problema, uma equipe de pesquisa do MIT, Microsoft e Universidade Hebraica desenvolveu um novo modelo matemático que se inspira na teoria de risco financeiro, que ajuda investidores de mercados de ações a maximizar seu retorno enquanto minimizam perda financeira em flutuações de mercado.

O novo modelo é chamado TeaVar (abreviação de Traffic Engineering Applying Value at Risk). Ele avalia a probabilidade de falha de links entre data centers globalmente. O processo de avaliação é similar a prever a volatilidade de ações.

O modelo então aloca otimamente o tráfego (através de diferentes links) para maximizar o uso geral da rede, enquanto minimiza perdas. Isso é bem oposto à abordagem tradicional que mantém links ociosos para lidar com picos súbitos de tráfego, desperdiçando muita energia e recursos.

Os pesquisadores afirmam que seu modelo pode ajudar provedores de serviços em nuvem a utilizar melhor seus recursos de data center e economizar milhões de dólares.

Como o 'TeaVar' Funciona?

Grandes empresas que fornecem serviços em nuvem usam ferramentas de 'engenharia de tráfego' (TE) para alocar otimamente largura de banda de dados por todos os caminhos. Para garantir máxima disponibilidade, estas empresas mantêm vários links em baixa utilização. Muitos links de rede não operam em alta utilização: não enviam tanto tráfego quanto poderiam.

Assim, existe um tradeoff entre utilização da rede e disponibilidade da rede. É aqui que técnicas convencionais de TE falham.

Em qualquer rede, pedaços de largura de banda de dados são similares a 'dinheiro' investido no mercado, e instrumentos com diferentes probabilidades de falha são similares a 'ações' e seus valores incertos. Usando este conceito, a equipe de pesquisa desenvolveu uma metodologia 'consciente de risco' que garante que os dados chegarão ao destino com perda mínima de tráfego durante condições de falha no pior caso.

A abordagem deles permite que empresas atinjam o equilíbrio utilização-disponibilidade que melhor se adapta aos seus objetivos. O TeaVar aborda desafios algorítmicos relacionados à tratabilidade da minimização de risco, bem como desafios operacionais.

Aplicando TeaVar a Dados do Mundo Real

Testaram este modelo contra ferramentas convencionais de TE em tráfego simulado transferido através de redes ATT, IBM, Google. Também produziram várias condições de falha baseadas na probabilidade de sua ocorrência.

Finalmente, aplicaram o TeaVar a dados do mundo real e descobriram que ele pode suportar até o dobro de tráfego que métodos convencionais de TE no mesmo nível de disponibilidade. O modelo foi capaz de manter links confiáveis operando em capacidade quase total, enquanto direcionava dados para longe de caminhos mais arriscados.