[論文レビュー] Scalarization Methods for Many-Objective Virtual Machine Placement of Elastic Infrastructures in Overbooked Cloud Computing Data Centers Under Uncertainty

Augusto Amarilla|arXiv (Cornell University)|Feb 12, 2018

Cloud Computing and Resource Management参考文献 27被引用数 4

ひとこと要約

本稿では、不確実性下での過剰割り当てクラウドデータセンターにおける多数の目的の仮想マシン配置問題に対して、原点へのユークリッド距離をスカラライゼーション手法として用いた二段階のスカラライゼーション手法を提案する。シミュレーションにより、この手法が電力消費の低減とリソース利用率の向上において代替手法を上回ることを示しており、ヒューリスティクスや仮想マシン移行を伴うメタヒューリスティックアルゴリズムによる有効なオフライン最適化を上回る優れた性能を発揮することが確認された。

ABSTRACT

Cloud computing datacenters provide thousands to millions of virtual machines (VMs) on-demand in highly dynamic environments, requiring quick placement of requested VMs into available physical machines (PMs). Due to the randomness of customer requests, the Virtual Machine Placement (VMP) should be formulated as an online optimization problem. The first part of this work analyzes alternatives to solve the formulated problem, an experimental comparison of five different online deterministic heuristics against an offline memetic algorithm with migration of VMs was performed, considering several experimental workloads. Simulations indicate that First-Fit Decreasing algorithm (A4) outperforms other evaluated heuristics on average. This work presents a two-phase schema formulation of a VMP problem considering the optimization of three objective functions in an IaaS environment with elasticity and overbooking capabilities. The two-phase schema formulation describes that the allocation of the VMs can be separated into two sub-problems, the incremental allocation (iVMP) and the reconfiguration of a placement (VMPr). To analyze alternatives to solve the formulated problem, an experimental comparison of three different objective function scalarization methods as part of the iVMP and VMPr was performed considering several experimental workloads. Simulations indicate that the Euclidean distance to origin outperforms other evaluated scalarization methods on average. In order to portray the dynamic nature of an IaaS environment a customizable workload trace generator was developed to simulate uncertainty in the scenarios with elasticity and overbooking of resources in VM requests. Experimental results proved that the Euclidean distance is preferable over the other scalarizatiom methods to improve the values of the power consumption objective function.

研究の動機と目的

• 弾力性と不確実性を伴う、インフラストラクチャとしてのサービス（IaaS）クラウド環境における動的で多数の目的の仮想マシン配置（VMP）の課題に対処すること。
• プロバイダ指向のVMP定式化において、電力消費、経済的収益、サービス品質、リソース利用率の4つの主要な目的を最適化すること。
• 動的でオンラインな設定下において、多目的VMPを単目的最適化に変換するためのスカラライゼーション手法の評価と比較を行うこと。
• 実世界の不確実性、弾力性、過剰割り当てを再現できるカスタムワークロードトレースジェネレータを開発すること。
• オンラインヒューリスティクスと仮想マシン移行を伴うオフラインメタヒューリスティックアルゴリズムをベンチマークとして、スカラライゼーション手法の性能を評価すること

提案手法

• 割り当てと最適化を分離するため、段階的VM配置（iVMP）と既存配置の再構成（VMPr）に分かれる二段階のVMPスキーマを定式化する。
• 重み付き和、チービシェフ距離、原点へのユークリッド距離の3つのスカラライゼーション手法を適用し、多数の目的の問題を単目的最適化問題に変換する。
• 不確実性を捉えるために、確率的で弾力的かつ過剰割り当てのVMリクエストをシミュレートするカスタムクラウドワークロードトレースジェネレータ（CWTG）を採用する。
• 仮想マシン移行を伴うメタヒューリスティックアルゴリズムをオフライン最適化に用い、オンラインヒューリスティクスの性能ベンチマークとして機能させる。
• 5つのオンライン決定的ヒューリスティクス（例：First-Fit、Best-Fit、First-Fit Decreasing）を評価し、オフラインメタヒューリスティック解と比較する。
• 複数のワークロードにわたるシミュレーションベースの実験を実施し、電力消費、収益、利用率の観点からスカラライゼーション手法の性能を評価する

実験結果

リサーチクエスチョン

• RQ1 重み付き和、チービシェフ距離、原点へのユークリッド距離のうち、どのスカラライゼーション手法が不確実性下の多数の目的のVMPにおいて、電力消費の低減とリソース利用率の向上というトレードオフを最も効果的に達成するか？
• RQ2 仮想マシン移行を伴うオフラインメタヒューリスティックアルゴリズムと比較して、オンラインヒューリスティクス（例：First-Fit Decreasing）の解の品質と再構成コストはどのように異なるか？
• RQ3 オフライン設定において仮想マシン移行を用いることで、静的配置と比較してVMPの解の品質はどの程度向上するか？
• RQ4 提案されたCWTGは、VMPアルゴリズムの評価に適した現実的で弾力的かつ過剰割り当てのワークロードをどれほど効果的にシミュレートできるか？
• RQ5 二段階スキーマ（iVMP + VMPr）は、動的割り当てと再構成を効果的に分離できており、リアルタイムにおけるスケーラブルで適応可能なVMPを実現できるか？

主な発見

• 原点へのユークリッド距離を用いたスカラライゼーション手法が、評価されたすべてのワークロードにおいて、重み付き和およびチービシェフ距離の手法を上回り、電力消費を最小化する点で優れていることが判明した。
• 5つのオンラインヒューリスティクスの中で、First-Fit Decreasing（FFD）アルゴリズムが平均的な解の品質において最も優れており、特にリソース利用率と電力効率のバランスを取る点で優位性を示した。
• 仮想マシン移行を伴うオフラインメタヒューリスティックアルゴリズムは、オンラインヒューリスティクスと比較して顕著に解の品質を向上させ、長期的な目的を最適化する再構成の価値を示した。
• 二段階スキーマは、段階的配置と再構成を効果的に分離しており、変化するワークロードに動的に適応しつつも、最適化の正確性を維持できる。
• カスタムCWTGは、現実的で弾力的かつ過剰割り当てのワークロードを効果的に生成でき、クラウド環境における不確実性のシミュレーションが妥当に行えることを確認した。
• シミュレーションにより、原点へのユークリッド距離によるスカラライゼーションが、特に電力消費の低減を実現しつつリソース利用率や収益を損なわずに、複数の目的間のトレードオフをより良好に達成できることを裏付けた。