Uniserv, Experte für Datenmanagement-Software, empfängt Preisträger zum Vortrag über Online Performance Prediction
Interview mit Dr. Fabian Brosig, Preisträger des Uniserv-Forschungspreises 2015
Am 19. Oktober 2015 lud die Uniserv GmbH, Experte für Datenmanagement-Lösungen, Dr. Fabian Brosig, Preisträger des diesjährigen Uniserv-Forschungspreises am KIT, zu einem Vortrag in das Pforzheimer Headquarter ein. Vor der Geschäftsleitung und Teilnehmern aus verschiedenen unternehmensinternen Abteilungen präsentierte er einen Überblick seiner preisgekrönten Dissertation „Architecture-Level Software Performance Models for Online Performance Prediction“. Im Anschluss stand Dr. Brosig noch für ein kleines Interview zur Verfügung:
1. Herr Brosig, Ihre Dissertation beschäftig sich mit dem Thema „Online Performance Prediction“. Beschreiben Sie doch mal in einigen wenigen Sätzen, worum es dabei geht.
Moderne Software-Systeme werden zunehmend komplexer und dynamischer. Oft setzen sich solche Systeme aus lose-gekoppelten, dynamischen Diensten, die unabhängig voneinander weiterentwickelt und betrieben werden, zusammen. Hierbei spielt insbesondere die Dynamik und Flexibilität der Systeme eine große Rolle, da einzelne Dienste und Anwendungen während der Laufzeit entfernt oder neu eingebunden werden können und dadurch Systemkomponenten schwer vorhersagbaren Lastschwankungen unterliegen. Die Einhaltung der Performance-Anforderungen bei gleichzeitig effizienter Verwaltung der System-Ressourcen gilt daher als Herausforderung. Dienstanbieter sind dabei mit Fragen konfrontiert, wie zum Beispiel: Wie verändern sich die Dienstantwortzeiten, wenn sich die Nutzerzahlen weiter dem beobachteten Trend nach entwickeln? Welche Antwortzeiten sind zu erwarten, wenn ein neuer Dienst auf der vorhandenen IT-Infrastruktur zur Verfügung gestellt wird? Wie müssen dabei das System umkonfiguriert bzw. die Ressourcenzuweisungen verändert werden, so dass vorhandene Ressourcen effizient genutzt werden? Um Fragen dieser Art beantworten zu können, muss die Performance des Software-Systems unter verschiedenen Konfigurationen und Auslastungsgraden zur Laufzeit vorhergesagt werden können. Für solche Performance-Vorhersagen werden Modelle (Performance-Modelle) benötigt, die relevante Performance-Eigenschaften des betrachteten Systems abbilden. In meiner Arbeit werden neue Performance-Modellabstraktionen auf Architekturebene speziell für die Performance-Vorhersage zur Laufzeit entwickelt. Performance-Anfragen können dadurch zur System-Laufzeit auf Modellebene beantwortet werden.
2. Woher stammte Ihre Motivation, sich genau mit diesem Thema auseinanderzusetzen?
Die Erstellung von Performance-Modellen erfordert zum einen, einen umfassenden Überblick über das betreffende Software-System zu haben, und zum anderen – falls nötig – in Systemdetails zu „bohren“. Zudem bietet der Themenbereich die Möglichkeit, Theorie und Praxis zu vereinen, beispielsweise Modelle von eher theoretische Natur zur Lösung von praktischen Problemen heranzuziehen. Man kann in diesem Bereich also sehr viel Spannendes lernen, und sich mit praxisorientierten Problemen beschäftigen.
Nicht zuletzt war ausschlaggebend, dass ich die Chance hatte, als Mitglied der DFG-Emmy-Noether-Nachwuchsforschungsgruppe „Descartes“ unter der Leitung von Samuel Kounev zu promovieren. Von der intensiven Betreuung meines Doktorvaters habe ich bereits während meiner Diplomarbeit profitiert, die auch von ihm betreut wurde.
3. Wie können Unternehmen von den Erkenntnissen Ihrer Arbeit profitieren? Welche Vorgehensweise empfehlen Sie für den Einstieg?
Meine Arbeit hilft Dienst-Anbietern dabei, Software-Systeme so zu skalieren, dass insbesondere bei Lastschwankungen die vereinbarten Dienst-Antwortzeiten eingehalten werden, bei gleichzeitig effizienter Nutzung der Ressourcen. Unternehmen gehen hier am besten Schritt für Schritt vor. Zuerst sollte man sich die folgenden Fragen stellen: Wie groß ist das Einsparpotential, wenn man die Systemressourcen nicht ständig an der Spitzenlast ausrichtet, sondern die Anzahl der Ressourcen an den Lastschwankungen ausrichtet? Wie wichtig ist es, dass das System bei unerwarteten Lasten automatisch so skaliert, dass die Dienst-Anfragen noch zeitnah beantwortet werden können? Wie häufig sind solche Fälle? Danach können zunächst einfache reaktive, triggerbasierte Verfahren für Skalierungsfragestellungen getestet werden. Anstatt einer Performance-Vorhersage können also zunächst Schwellwerte (z.B. bezüglich der Auslastung der Applikationsserver) per „educated guess“ definiert werden, bei deren Erreichung hoch-oder runterskaliert wird. Wenn dadurch zu viele Dienstgütevereinbarungen verletzt werden, hilft der prädiktive Ansatz meiner Arbeit weiter, der solche Verletzungen hilft zu verhindern.
4. Welchen Bezug sehen Sie dabei zum Kundenstammdatenmanagement?
Bei allen SaaS-Angeboten stellt sich die Frage, wie den Dienstnehmern eine durchgängig gute Antwortzeit garantiert werden kann, und die Systemressourcen effizient genutzt werden. Das Thema hat also auch eine hohe Relevanz für die SaaS-Angebote von Uniserv. Viele Kunden von Uniserv nutzen die SaaS- und Managed-Service-Angebote von Uniserv im Rahmen von interaktiven Geschäftsprozessen wie Kundendatenänderungen, Anlegen von Kunden und Bestellvorgängen. Dadurch folgt die Last auf diesen Systemen vermutlich einem typischen täglichen und wöchentlichen Rhythmus mit Zeiten hoher und niedriger Nutzung. Je nach Gesamtkosten der für den Betrieb der Infrastruktur notwendigen Kosten kann hier eine dynamische Anpassung der verwendeten Ressourcen mit Hilfe der oben beschriebenen Vorgehensweisen nennenswerte Einsparungen bei sogar möglicherweise reduzierten SLA-Verletzungen erzielen.
Vielen Dank für das Gespräch, Herr Dr. Brosig.
