[論文レビュー] Pre-allocation Strategies of Computational Resources in Cloud Computing using Adaptive Resonance Theory-2

T. R. Gopalakrishnan Nair, P. Jayarekha|arXiv (Cornell University)|Jun 3, 2012

Neural Networks and Applications参考文献 8被引用数 5

ひとこと要約

本論文は、クラウドコンピューティングにおける計算リソースの適応的プリアロケーション戦略を提案し、到着するサービスリクエストを分類し、リソース要件を予測するために適応的共鳴理論-2（ART-2）を用いる。優先度とリソースタイプに基づいてリクエストパターンを動的にクラスタリングすることで、システムは能動的なリソース割り当てを可能にし、動的でマルチプライオリティなクラウドワークロードにおける待機時間の短縮と効率の向上を実現する。

ABSTRACT

One of the major challenges of cloud computing is the management of request-response coupling and optimal allocation strategies of computational resources for the various types of service requests. In the normal situations the intelligence required to classify the nature and order of the request using standard methods is insufficient because the arrival of request is at a random fashion and it is meant for multiple resources with different priority order and variety. Hence, it becomes absolutely essential that we identify the trends of different request streams in every category by auto classifications and organize preallocation strategies in a predictive way. It calls for designs of intelligent modes of interaction between the client request and cloud computing resource manager. This paper discusses about the corresponding scheme using Adaptive Resonance Theory-2.

研究の動機と目的

• 動的クラウド環境におけるリクエスト-応答の結合問題と最適でないリソース割り当ての課題に対処する。
• ランダムでマルチプライオリティかつマルチリソースのサービスリクエストを処理する際の標準分類手法の限界を克服する。
• 進化するリクエストパターンに基づいてリソースの予測とプリアロケーションを実行する知的で適応的なメカニズムを開発する。
• リアルタイムで自己組織化されるサービスリクエストの分類を可能にし、クラウドシステムにおける能動的リソース管理を支援する。

提案手法

• 到着するサービスリクエストのオンラインで逐次的クラスタリングを実行するために、ニューラルネットワークモデルである適応的共鳴理論-2（ART-2）を採用する。
• リソースタイプ、優先度レベル、リクエスト頻度などの特徴に基づいて、ART-2を用いてリクエストを分類する。
• 新しいリクエストが到着するたびにクラスタの重心を動的に更新し、変化するワークロードに応じた安定性と適応性を確保する。
• 優先度とリソース要件に基づいて、分類されたリクエストカテゴリを事前に定義されたプリアロケーションポリシーにマッピングする。
• ART-2分類器をクラウドリソースマネージャーと統合し、ピーク需要の前に能動的な割り当てをトリガーする。
• ART-2における安定性と柔軟性のトレードオフを活用し、一貫した分類を維持しながら新しいリクエストパターンに適応する。

実験結果

リサーチクエスチョン

• RQ1 クラウドリソースマネージャーは、優先度が異なる多様で高速なサービスリクエストを効果的に分類できるか？
• RQ2 リクエスト分布の事前知識がなくても、リクエストストリームのリアルタイムで適応的な分類を可能にするメカニズムは何か？
• RQ3 予測的分類を活用したプリアロケーション戦略を最適化することで、応答時間の短縮とリソース競合の低減はどの程度達成できるか？
• RQ4 ART-2は、動的クラウドワークロードにおけるリクエスト分類の正確性と安定性をどの程度向上させるか？
• RQ5 適応的で自己組織化するシステムは、クラウド環境におけるリソースの未利用と過剰割り当てを低減できるか？

主な発見

• ART-2は、優先度とリソースタイプに基づいて、到着するサービスリクエストを高精度で明確なカテゴリに分類することができた。
• 分類されたリクエストストリームから需要パターンを予測することで、システムは能動的なリソースプリアロケーションを可能にした。
• ART-2の適応的性質により、進化し予測不能なリクエストの到着に対しても、分類が安定していることが確認された。
• 知的なプリアロケーションにより、オンデマンド割り当ての遅延を最小限に抑えることで、リクエストの応答時間が短縮された。
• この手法は、マルチプライオリティなクラウド環境におけるリソースの効率的利用と競合の低減を示した。
• ART-2をクラウドリソース管理と統合することで、動的ワークロードにおけるスケーラブルでリアルタイムの意思決定が可能になった。