Automating the support of highly-configurable services

Abstract

Las crecientes capacidades de configuración de los servicios, especialmente en el cloud, han dado lugar a los así llamados Servicios Altamente Configurables (HCSs). Dichas capacidades de configuración están aumentando la demanda y complejidad de las aplicaciones basadas en HCS y de las necesidades de infraestructura para soportarlas, soluciones guiadas por HCS de aquí en adelante. Tras un estudio del estado del arte, concluimos que dichas soluciones guiadas por HCSs pueden ser mejoradas significativamente en 1) los lenguajes para describir las configuraciones, también conocidas como el espacio de decisión del servicio, y 2) en las técnicas para extraer información de utilidad del espacio de decisión, técnicas de análisis en adelante. Por un lado, no existen Lenguajes Específicos de Dominio (DSLs) para describir el espacio de decisión, aunque hay algunas aproximaciones cercanas. En esta tesis creemos que es posible mejorar el actual panorama diseñando un DSL: i) en conformidad con los principales proveedores de HCSs, ii) que soporte múltiples ítems, iii) suficientemente expresivo para facilitar la descripción de relaciones lógicas y aritméticas en los términos del servicio y iv) independiente del dominio. Adicionalmente, este DSL debe definir criterios de validez para asegurar que el espacio de decisión satisface propiedades básicas como la consistencia y la configurabilidad. Más allá, se deben ofrecer explicaciones cuando el espacio de decisión del servicio no satisfaga dichas propiedades. Por otro lado, la mayor parte de las actuales técnicas de análisis, como aquellas encargadas de encontrar configuraciones óptimas o de reconfigurar servicios multitenant, llevan consigo algunos inconvenientes propios de técnicas emergentes. Para superar estos inconvenientes, se deben desarrollar: a) implementaciones de referencia totalmente funcionales, b) técnicas reusables, c) mecanismos de extensión efectivos e d) interfaces amigables. El principal objetivo de esta disertación es mejorar el soporte existente para el desarrollo de soluciones guiadas por HCS, considerando las recomendaciones anteriores. Las principales contribuciones de esta tesis son un DSL (llamado SYNOPSIS) para especificar el espacio de decisión de los HCS, y un nuevo catálogo de operaciones para comprobar y explicar los criterios de validez así como para encontrar configuraciones óptimas para uno o más usuarios. Como contribuciones menores, también presentamos dos soluciones que han sido desarrolladas para mejorar el soporte existente para la migración de infraestructuras a Amazon EC2 y para reconfigurar servicios multitenant. La piedra angular de nuestra propuesta para mejorar las técnicas de especificación ha sido definir un DSL, SYNOPSIS, y dotarlo con semántica formal basada en Modelos de Características con Estados. Acerca de nuestra propuesta para mejorar las técnicas de análisis, la clave ha sido la organización de dichas técnicas en un catálogo de operaciones básicas que pueden ser combinadas para dar lugar a soluciones guiadas por HCS m más avanzadas. La aplicabilidad de nuestros resultados está limitada a aquellos espacios de decisión que pueden ser transformados en Modelos de Características con Estados, que por nuestra experiencia es suficiente para soportar HCSs reales.

The growing customisation capabilities of services, especially in Cloud scenarios, have led to the so-named Highly-configurable Services (HCSs). Such capabilities are boosting the demand and complexity of HCS-based applications and the infrastructure need to support them, HCS-driven solutions from now on. After a study of the existing literature we conclude that these HCS-driven solutions can be significantly enhanced in both 1) the languages to describe the configurations, a.k.a. the decision space of HCSs and 2) the techniques to extract useful information from the decision space, analysis techniques, in advance.

On the one hand, there are no Domain Specific Languages (DSLs) to describe the decision space, although there exist some very close approaches. We suggest that it is possible to improve the current landscape by designing a DSL: i) Compliant with big HCS vendors, ii) multi-item aware, iii) expressive-enough to ease the description of arithmetic-logical relationships on configurable description terms, and iv) domainindependent. In addition, this DSL must define validity criteria for checking that the decision space satisfies some basic properties such as the consistency, and the configurability. Furthermore, explanations must be provided when the decision space do not satisfy such basic properties.

On the other hand, most of the current analysis techniques such as those relate to find optimal configurations or reconfigure a multi-tenant service includes some drawbacks that can be found in emerging techniques. To overcome such drawbacks there must be developed: a) fully-functional reference implementations, b) techniques with a reuse-oriented design, c) effective extension mechanisms, and d) user-friendly interfaces.

The main goal of this dissertation is to enhance the existing support to develop HCS-driven solutions considering the aforementioned suggestions for improvement. The main thesis contributions are a DSL to specify the decision space of HCSs called SYNOPSIS, and a novel catalogue of analysis operations to check and explain validity criteria as well as to find optimal configurations for one or many users. As minor contributions, two solutions have been developed to improve the existing tooling support to migrate on-premise infrastructure to Amazon EC2 and to reconfigure multi-tenant service.

The cornerstone of our proposal to improve the specification techniques has been to define a DSL, SYNOPSIS, and endow it with a formal semantics based on Stateful Feature Models. Regarding our proposal to improve the analysis techniques, the key has been the organization of such techniques in a catalogue of basic analysis operations that can be combined to support more advanced HCS-driven solutions. The applicability of our results is limited to those decision spaces that can be translated to a Stateful Feature Model, that is enough to support real-world HCSs, in our experience.