[論文レビュー] A Resource Management Protocol for Mobile Cloud Using Auto-Scaling

Chathura M. Sarathchandra Magurawalage, Kun Yang+3 more|arXiv (Cornell University)|Jan 2, 2017

IoT and Edge/Fog Computing参考文献 26被引用数 3

ひとこと要約

本稿は、モバイルクラウドコンピューティング（MCC）およびクラウドラジオアクセスネットワーク（C-RAN）向けに、集中型リソース管理プロトコルを提案し、動的タスクオフロードと仮想マシン（VM）リソースのオートスケーリングを可能にしている。また、CPUおよびストレージの垂直的オートスケーリングにおいて、特に顕著な遅延（一部のケースで50秒以上）を伴うことが明らかになった。これは、遅延に敏感なアプリケーションに対してリアルタイムスケーリングを実現することが困難であることを示している。

ABSTRACT

Cloud radio access networks (C-RAN) and Mobile Cloud Computing (MCC) have emerged as promising candidates for the next generation access network techniques. MCC enables resource limited mobile devices to offload computationally intensive tasks to the cloud, while C-RAN offers a technology that addresses the increasing mobile traffic. In this paper, we propose a protocol for task offloading and for managing resources in both C-RAN and mobile cloud together using a centralised controller. Experiments on resource management using cloud auto-scaling shows that resource (CPU, RAM, Storage) scaling times vary.

研究の動機と目的

• ハイブリッドなモバイルクラウドおよびC-RANアーキテクチャにおける計算および通信リソースを効率的に管理する課題に対処すること。
• 集中型コントローラーを用いて、モバイルクラウドおよびC-RANの両方におけるタスクオフロードおよびリソース割り当てを統合的に設計するプロトコルを構築すること。
• モバイルクラウド環境におけるCPU、RAM、ストレージの垂直的オートスケーリングのパフォーマンスを調査すること。
• オートスケーリング遅延が、モバイルクラウド展開におけるリアルタイムアプリケーションの実用性に与える影響を評価すること。

提案手法

• タスクオフロードおよびリソース管理シグナルの両方を統一されたシグナルプロトコルで処理する集中型コントローラーを提案。
• タスクオフロードおよびリソース管理シグナルの両方に対して、シンプルで標準化されたパケットヘッダーを採用。
• CPU、RAM、ストレージのVMリサイズパフォーマンス（スケーリングアップ／ダウン）を、継続的および非継続的スケーリングの両方のシナリオで実証的に評価。
• テストベッドでKVMベースの仮想化を用い、異なるVMディスクサイズおよびリソースタイプにおける実際のスケーリング遅延を測定。
• 2次多項式回帰を用いて、ベースVMディスクサイズおよびリソースタイプに基づくスケーリング遅延のトレンドをモデル化。
• VMサイズ、スケーリング方法（継続的対非継続的）、およびクラウド環境がオートスケーリング遅延に与える影響を分析。

実験結果

リサーチクエスチョン

• RQ1 モバイルクラウド環境における、異なるVMリソース（CPU、RAM、ストレージ）のオートスケーリング遅延はどのように変化するか？
• RQ2 スケーリング方法（継続的対非継続的）が、異なるリソースタイプのVMリサイズ時間に与える影響は何か？
• RQ3 ベースVMディスクサイズが、VMリサイズ操作中の遅延時間にどのように影響するか？
• RQ4 オートスケーリング遅延が、遅延に敏感なモバイルアプリケーションにおけるリアルタイム実用性をどの程度妨げるか？
• RQ5 VMリサイズのパフォーマンストレンドをモデル化することで、モバイルクラウドシステムにおけるより知的なオートスケーリング意思決定を支援できるか？

主な発見

• 一部のケースでは、CPUおよびストレージリソースのオートスケーリング遅延が50秒以上に達し、遅延に敏感なアプリケーションに対してリアルタイムスケーリングは実用的でないことが判明した。
• 継続的スケーリングシナリオでは、VMディスクサイズが大きくなるほどスケーリング遅延が増加し、特にストレージおよびCPUリソースで顕著であった。
• RAMリサイズ遅延には明確なトレンドが観察されなかったが、サンプル数が限られ、ハードウェア制限（最大18GBメモリ）のため、回帰モデルでは減少傾向を示唆している。
• スケーリング遅延はリソースタイプに加え、スケーリング方法（スケーリングアップ／ダウン）およびVM構成にも依存している。
• VMリサイズパフォーマンスは、下位の仮想化技術およびクラウド環境によって顕著に異なるため、プラットフォーム固有のチューニングが不可欠である。
• 将来のオートスケーリングアルゴリズムは、VM固有の特性（例：ディスクサイズ）および環境要因（例：VM総数）を両方とも考慮した意思決定が求められる。