[論文レビュー] Multi-factorial Optimization for Large-scale Virtual Machine Placement in Cloud Computing

Zhengping Liang, Jian Zhang+2 more|arXiv (Cornell University)|Jan 18, 2020

IoT and Edge/Fog Computing参考文献 52被引用数 4

ひとこと要約

本稿では、異種クラウド環境における大規模仮想マシン配置（LVMP）を解消するため、グリーディベースの割り当ておよび再移行／マージ作用素を備えた多要因的進化的アルゴリズム（MFEA）を提案する。最適化時間を著しく短縮し、250,000台のVMに対して37.61秒を達成した一方で、高いリソース利用率と低い導入コストを維持しており、スケーラビリティおよびリアルタイム性能においてHGAPSOおよびRGGAを上回っている。

ABSTRACT

The placement scheme of virtual machines (VMs) to physical servers (PSs) is crucial to lowering operational cost for cloud providers. Evolutionary algorithms (EAs) have been performed promising-solving on virtual machine placement (VMP) problems in the past. However, as growing demand for cloud services, the existing EAs fail to implement in large-scale virtual machine placement (LVMP) problem due to the high time complexity and poor scalability. Recently, the multi-factorial optimization (MFO) technology has surfaced as a new search paradigm in evolutionary computing. It offers the ability to evolve multiple optimization tasks simultaneously during the evolutionary process. This paper aims to apply the MFO technology to the LVMP problem in heterogeneous environment. Firstly, we formulate a deployment cost based VMP problem in the form of the MFO problem. Then, a multi-factorial evolutionary algorithm (MFEA) embedded with greedy-based allocation operator is developed to address the established MFO problem. After that, a re-migration and merge operator is designed to offer the integrated solution of the LVMP problem from the solutions of MFO problem. To assess the effectiveness of our proposed method, the simulation experiments are carried on large-scale and extra large-scale VMs test data sets. The results show that compared with various heuristic methods, our method could shorten optimization time significantly and offer a competitive placement solution for the LVMP problem in heterogeneous environment.

研究の動機と目的

• 従来の進化的アルゴリズム（EA）が大規模仮想マシン配置（LVMP）問題において直面するスケーラビリティおよび時間計算量の制限を解消すること。
• 異種クラウド環境において、相関する複数のVM配置タスクを同時に最適化できる多要因最適化（MFO）を適用すること。
• MFOフレームワーク内にコストベースのVMP問題を定式化することで、導入コストを低減すること。
• グリーディベースの割り当て作用素および再移行／マージ作用素を用いて、統合された最良解の生成を促進し、解の品質と収束速度を向上させること。
• 大規模および超大規模のテストデータセット上で評価を行い、リアルタイム性能およびスケーラビリティを実証すること。

提案手法

• 導入コストベースのVMP問題を、複数のVM配置タスクを同時に最適化できる多要因最適化（MFO）問題として定式化する。
• 初期解の品質と収束速度を向上させるために、グリーディベースの割り当て作用素を統合した多要因的進化的アルゴリズム（MFEA）を開発する。
• 個々のMFOタスクからの解を統合的に高品質な配置構成に統合するために、再移行およびマージ作用素を導入する。
• 複数の関連する最適化タスク間で共有される遺伝的特徴を活用することで、暗黙の並列性を活用する集団ベースの探索戦略を採用する。
• CPU、RAM、ディスク構成が多様な物理サーバー（PS）環境を用いて、実世界のクラウドデータセンターをモデル化する。
• 最大50,000台のVMを含む大規模データセットおよび最大250,000台のVMを含む超大規模データセットを用いたシミュレーション実験により、性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 多要因最適化（MFO）は、大規模仮想マシン配置（LVMP）における進化的アルゴリズムの時間計算量を効果的に低減し、スケーラビリティを向上させることができるか？
• RQ2 グリーディベースの割り当てを備えた本稿で提案するMFEAは、従来のヒューリスティックおよびメタヒューリスティック手法と比較して、最適化時間および解の品質においてどのように優れているか？
• RQ3 再移行およびマージ作用素は、解の統合および全体的な配置効率をどの程度向上させるか？
• RQ4 本手法は、100,000台を超えるVMワークロードが増加するに従い、どの程度スケーリングするか？
• RQ5 MFOベースのアプローチは、大規模ワークロード下でも異種クラウド環境において高いリソース利用率と低い導入コストを維持できるか？

主な発見

• 250,000台のVMを含むテストセットに対して、本手法は最適化時間をわずか37.61秒にまで短縮した。これは、HGAPSO（4319.83秒）およびRGGA（2323.15秒）を著しく上回っている。
• 超大規模データセットEDS6（250,000台のVM）において、本手法は平均85.65％のリソース利用率を達成した。これに対してHGAPSOは73.72％、RGGAは82.20％であった。
• EDS6において、本手法は導入コストを114,808.82ユニットにまで低減した。これに対してHGAPSOは154,519.62ユニット、RGGAは125,991.47ユニットであった。
• 追加の50,000台のVMごとに平均実行時間が約7秒しか増加しなかったため、優れたスケーラビリティと安定性を示した。
• EDS6において、平均包括的利用率が85.65％という高い解の品質を維持し、アクティブ化された物理サーバー数も26,453.77台という低水準に抑えた。
• 再移行およびマージ作用素は、タスク固有の解をグローバルに最適な配置構成に効果的に統合し、解の品質と収束速度を向上させた。