[論文レビュー] Energy Efficient Scheduling of Application Components via Brownout and Approximate Markov Decision Process

Minxian Xu, Rajkumar Buyya|arXiv (Cornell University)|Jun 7, 2017

Cloud Computing and Resource Management参考文献 16被引用数 3

ひとこと要約

本稿では、非必須なアプリケーションコンポonentを動的に無効化することで、クラウドデータセンターにおけるエネルギー効率を最適化するためのブラウンアウトベースの近似マルコフ決定過程（BMDP）を提案する。エネルギー節約とユーザーの割引コストのバランスを取ることで、VM統合と比較してエネルギー消費を20%削減し、先行するブラウンアウト手法と比較して割引コストを30–50%削減し、エネルギー節約と収益損失の間で優れたトレードオフを達成する。

ABSTRACT

Unexpected loads in Cloud data centers may trigger overloaded situation and performance degradation. To guarantee system performance, cloud computing environment is required to have the ability to handle overloads. The existing approaches, like Dynamic Voltage Frequency Scaling and VM consolidation, are effective in handling partial overloads, however, they cannot function when the whole data center is overloaded. Brownout has been proved to be a promising approach to relieve the overloads through deactivating application non-mandatory components or microservices temporarily. Moreover, brownout has been applied to reduce data center energy consumption. It shows that there are trade-offs between energy saving and discount offered to users (revenue loss) when one or more services are not provided temporarily. In this paper, we propose a brownout-based approximate Markov Decision Process approach to improve the aforementioned trade-offs. The results based on real trace demonstrate that our approach saves 20% energy consumption than VM consolidation approach. Compared with existing energy-efficient brownout approach, our approach reduces the discount amount given to users while saving similar energy consumption.

研究の動機と目的

• システム全体の過負荷状態におけるクラウドデータセンターのエネルギー非効率性を解消すること。ここでは、DVFS や VM 統合といった従来の手法が機能しない。
• ブラウンアウトを適用する際の、エネルギー節約と一時的なサービス無効化に伴う収益損失（割引）のトレードオフを管理すること。
• 利用状況と経済的影響に基づいて、最適なコンポonentを無効化するスマートで適応的なスケジューリング戦略を開発すること。
• 従来のブラウンアウト手法を改善し、より良い長期的エネルギーおよびコスト最適化を実現するため、近似マルコフ決定過程（MDP）を用いること。

提案手法

• アプリケーションコンポonentを必須または非必須に分類し、非必須コンポonentはブラウンアウトにより一時的に無効化することでリソース使用量とエネルギー消費を削減する。
• ワークロードとコンポonentの利用状況に基づく状態遷移を考慮して、時間経過に伴うコンポonent無効化意思決定をモデル化するためのマルコフ決定過程（MDP）フレームワークを導入する。
• 計算複雑性を低減し、大規模なクラウド環境におけるリアルタイム意思決定を可能にするために、近似MDP技術を適用する。
• エネルギー節約とユーザーの割引コストの両方をバランスさせる報酬関数を用い、長期的なシステム効率最適化を図る。
• 比較のためのベースラインとして、高い利用状況と高い割引レートを持つコンポonentを優先するヒューリスティックベースのコンポonent選択戦略（HUPRFCS）を採用する。
• 実世界のデータセンタートレースを用いて動的ワークロードをシミュレートし、さまざまな過負荷状態下での性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 従来のリソース管理手法が機能しないシステム全体の過負荷状態におけるクラウドデータセンターのエネルギー効率をどのように向上できるか？
• RQ2 非必須なアプリケーションコンポonentをブラウンアウトで無効化する際、エネルギー節約と収益損失（割引）の最適なトレードオフは何か？
• RQ3 近似マルコフ決定過程は、ヒューリスティックベースのブラウンアウト戦略を上回り、エネルギー効率と経済的コストの両方をバランスよく最適化できるか？
• RQ4 非必須コンポonentの利用状況の割合が、提案されたエネルギー節約戦略のパフォーマンスにどのように影響するか？

主な発見

• BMDPはVM統合ベースラインと比較してエネルギー消費を20%削減し、過負荷状態のデータセンター環境において顕著なエネルギー節約を実現した。
• BMDPは先行するブラウンアウト手法（HUPRFCS）と同等のエネルギー節約を達成したが、ユーザーへの割引を30–50%削減し、コスト効率のトレードオフを改善した。
• 非必須コンポonentの利用状況を100%に引き上げた場合、BMDPは最大20%のエネルギー節約を達成し、エネルギー消費は551.6 kWh（95%信頼区間：545.8–557.4 kWh）に低下した。
• BMDPが提示する割引額はHUPRFCSの11–20%から3–11%にまで低下し、経済的効率が向上したことを示している。
• 対応t検定の結果、BMDPとHUPRFCSの間でエネルギー消費に統計的に有意な差は認められなかった（p値 ≥ 0.057）、これにより、同等のパフォーマンスを維持しながら経済的コストを低減していることが確認された。
• 過負荷閾値（80–95%）や非必須コンポonentの利用状況レベルが変化しても、BMDPは一貫したパフォーマンスと効率を維持し、頑健であることが確認された。