Estensione del framework autonomico SelfLet con il servizio di cloud computing di Amazon

L'autonomic computing è un paradigma di sviluppo emerso negli ultimi anni con l'obiettivo di gestire la crescente complessità dei sistemi software. I sistemi così realizzati sono in grado di gestirsi autonomamente, in maniera analoga a quanto avviene nel sistema nervoso autonomo del corpo umano. Il paradigma prevede un insieme di proprietà, chiamate Self-*: auto-configurazione, auto-guarigione, auto-ottimizzazione e auto-protezione. Il cloud computing è un modello di computazione nel quale l'esecuzione delle applicazioni avviene in un ambiente amorfo a cui vengono aggiunte e rimosse risorse dinamicamente. L'avvento del cloud computing introduce una nuova proprietà tra quelle previste dal paradigma autonomico: l'auto-approvigionamento. Un sistema che esibisce questa proprietà ha la capacità di gestire il proprio pool di risorse in accordo a politiche di alto livello che ne governano il comportamento. In questo lavoro di tesi il framework autonomico SelfLet viene esteso con le funzionalità di interazione con il servizio di cloud computing di Amazon. Una SelfLet è un singolo componente autonomico autosufficiente che, posto in una rete, è capace di comunicare con altre SelfLets per il raggiungimento dei propri obiettivi. Inizialmente sono state studiate le metodologie di sviluppo dei sistemi autonomici ed è stato definito un modello per la gestione autonomica delle risorse su cloud. Successivamente è stato sviluppato un framework per l'interazione con il servizio di cloud computing, e sono stati definiti i processi di deploy dei nodi di una rete composta da SelfLets. E' stato progettato un modello di interazione tra i nodi per la gestione coordinata delle risorse su cloud in accordo con il principio di località che governa le decisioni prese da ogni SelfLet. Sono state definite le operazioni di espansione e contrazione della rete all'interno della cloud ed è stata estesa dell'architettura del SelfLet framework attraverso l'introduzione di nuove politiche di ottimizzazione. La soluzione proposta è stata validata attraverso lo sviluppo di un caso di studio, di cui sono stati raccolti i risultati sperimentali per l'analisi delle prestazioni dei meccanismi di deploy.