[論文レビュー] Dynamic Virtual Machine Management via Approximate Markov Decision Process

Zhenhua Han, Haisheng Tan+4 more|arXiv (Cornell University)|Jan 30, 2016

Cloud Computing and Resource Management参考文献 17被引用数 4

ひとこと要約

本稿では、データセンタでのエネルギー効率とリソース利用効率を最適化するための、近似型マルコフ決定過程（MDP）に基づく動的仮想マシン（VM）管理フレームワーク、MadVM を提案する。VM のリソース要件をマルコフ連鎖としてモデル化し、収束保証付きの価値反復を用いることで、MadVM は最大 47% の電力消費削減とリソース不足のほぼゼロ化を達成し、CompVM や CloudScale といったベースライン手法を上回る性能を示した。実世界のトレースを用いた評価でその有効性が裏付けられた。

ABSTRACT

Efficient virtual machine (VM) management can dramatically reduce energy consumption in data centers. Existing VM management algorithms fall into two categories based on whether the VMs' resource demands are assumed to be static or dynamic. The former category fails to maximize the resource utilization as they cannot adapt to the dynamic nature of VMs' resource demands. Most approaches in the latter category are heuristical and lack theoretical performance guarantees. In this work, we formulate dynamic VM management as a large-scale Markov Decision Process (MDP) problem and derive an optimal solution. Our analysis of real-world data traces supports our choice of the modeling approach. However, solving the large-scale MDP problem suffers from the curse of dimensionality. Therefore, we further exploit the special structure of the problem and propose an approximate MDP-based dynamic VM management method, called MadVM. We prove the convergence of MadVM and analyze the bound of its approximation error. Moreover, MadVM can be implemented in a distributed system, which should suit the needs of real data centers. Extensive simulations based on two real-world workload traces show that MadVM achieves significant performance gains over two existing baseline approaches in power consumption, resource shortage and the number of VM migrations. Specifically, the more intensely the resource demands fluctuate, the more MadVM outperforms.

研究の動機と目的

• 静的 VM 管理の限界を是正する。静的管理は動的なリソース要件に適応できず、リソースの未利用が生じる。
• 既存のヒューリスティックベースの動的 VM 管理手法に理論的保証が欠如している問題を克服する。
• 長期的なコスト（エネルギー消費 + リソース不足）を最小化する大規模かつ無限時間ホライズン MDP 問題として、動的 VM 管理を定式化する。
• 最適 MDP 解を近似するスケーラブルで分散型かつ理論的に収束保証のあるアルゴリズムを設計する。
• 実世界のワークロードトレースを用いて評価し、電力効率、リソース利用効率、移行オーバーヘッドの面で顕著な性能向上を示す。

提案手法

• エネルギー消費とリソース不足を組み合わせたコスト関数を用いて、無限時間ホライズン MDP として動的 VM 管理を定式化する。
• VM リソース要件の遷移を一次マルコフ連鎖としてモデル化し、実世界のトレース解析により、準定常的かつ非一様な遷移確率であることが検証された。
• 収束を保証する収縮写像を用いた価値反復に基づく近似 MDP アルゴリズムである MadVM を提案する。
• グローバル状態を最小限に抑える分散実装を導入し、スケーラビリティとフォールトトレランスを向上させる。
• MadVM の収束を証明し、最適 MDP 解に対する近似誤差の上界を導出する。
• 計算複雑性を低減するため、低次元部分空間への射影ステップを含む修正価値反復スキームを用いる。

実験結果

リサーチクエスチョン

• RQ1 VM リソース要件の動的特性をマルコフ連鎖としてモデル化することで、実世界のデータセンタワークロードにおける時間的相関を効果的に捉えられるか？
• RQ2 大規模 MDP における次元の呪いを、動的 VM 管理において理論的性能保証を維持したまま軽減できるか？
• RQ3 近似型 MDP アプローチが、エネルギー効率とリソース可用性の面で、既存のヒューリスティックベースの VM 管理アルゴリズムを上回れるか？
• RQ4 提案されたアルゴリズムの最適 MDP 解に対する近似誤差の上限は何か？
• RQ5 収束性や性能を損なわずに、分散的に効率的に実装できるか？

主な発見

• 実世界のワークロードトレースにおいて、MadVM は CompVM より平均で 19%、CloudScale より 42% の電力消費削減を達成した。
• 高変動性のワークロードでは、CloudScale より最大 47% の電力消費削減を達成し、優れた適応性を示した。
• 評価されたすべてのワークロードにおいて、MadVM はリソース不足をほぼゼロに保ち、サービスレベルアグリーメントの遵守度において顕著にベースラインを上回った。
• 収縮写像と数列解析を用いた証明により、アルゴリズムは有界な近似誤差で収束することが保証された。
• MadVM の分散アーキテクチャは、大規模データセンタへの展開に適した、耐障害性とスケーラビリティを兼ね備えた。
• 実験的結果から、準定常的遷移確率を持つマルコフ連鎖として VM 要件をモデル化することは、動的 VM 管理において有効であることが確認された。