[論文レビュー] Workload Classification & Software Energy Measurement for Efficient Scheduling on Private Cloud Platforms

James W. Smith, Ian Sommerville|arXiv (Cornell University)|May 12, 2011

Cloud Computing and Resource Management参考文献 10被引用数 18

ひとこと要約

本稿では、トレーニング段階でワークロードのリソース使用量（CPU、メモリ、ディスク、ネットワーク）とエネルギー消費量の相関関係を分析することで、95%以上の精度でサーバーの電力消費を予測するソフトウェアオンリーのツール、CloudMonitorを提案する。この手法により、ハードウェア電力メーターを必要とせず、プライベートクラウドにおけるエネルギーに配慮した仮想マシンスケジューリングが可能になる。PDUからの実際の電力データを用いてトレーニングされた動的回帰モデルが活用される。

ABSTRACT

At present there are a number of barriers to creating an energy efficient workload scheduler for a Private Cloud based data center. Firstly, the relationship between different workloads and power consumption must be investigated. Secondly, current hardware-based solutions to providing energy usage statistics are unsuitable in warehouse scale data centers where low cost and scalability are desirable properties. In this paper we discuss the effect of different workloads on server power consumption in a Private Cloud platform. We display a noticeable difference in energy consumption when servers are given tasks that dominate various resources (CPU, Memory, Hard Disk and Network). We then use this insight to develop CloudMonitor, a software utility that is capable of >95% accurate power predictions from monitoring resource consumption of workloads, after a "training phase" in which a dynamic power model is developed.

研究の動機と目的

• プライベートクラウドデータセンターにおけるスケーラブルで低コストなエネルギー監視の欠如に対処すること。
• 異なるワークロードとサーバーの電力消費量との関係を調査すること。
• 高価なハードウェア電力メーターに依存しない、ソフトウェアベースの高精度な電力予測ソリューションを開発すること。
• リソース強度に基づくワークロード分類とそのエネルギー影響の予測を通じて、エネルギー効率の良いワークロードスケジューリングを可能にすること。

提案手法

• 電力分配ユニット（PDU）からの実際の電力測定値と同時に取得されたリソース使用量のスナップショットを用いて、動的電力モデルをトレーニングする。
• Eucalyptusベースのプライベートクラウドにおける仮想マシンから、3秒ごとのリソース使用率のサンプル（CPU、メモリ、ディスク、ネットワーク）を収集する。
• トレーニング段階で、リソース消費パターンと実際の電力消費量の相関関係を回帰分析により特定する。
• リアルタイムのリソース監視に基づいて電力消費を予測するソフトウェアユーティリティ、CloudMonitorを開発する。
• 編集可能なXMLメタデータ経由で、ワークロードプロファイル（CPU、メモリ、ディスク、ネットワーク集約的）を仮想マシンの起動リクエストに統合する。
• Eucalyptusスケジューラを再設計し、予測されたエネルギー影響とリソースの互換性に基づいて仮想マシンを割り当てる。

実験結果

リサーチクエスチョン

• RQ1 プライベートクラウド環境において、CPU、メモリ、ディスク、ネットワーク集約的といった異なる種類のワークロードは、サーバーの電力消費にどのように影響を与えるか？
• RQ2 ハードウェア電力メーターを搭載しない状態でも、ソフトウェアベースの電力予測がエネルギーに配慮したスケジューリングを支えるのに十分な精度を達成できるか？
• RQ3 仮想化サーバーにおけるリソース使用率のパターンと実際のエネルギー消費量の関係は何か？
• RQ4 ソフトウェアで監視されたリソース使用量から、動的回帰モデルが電力消費をどれほど正確に予測できるか？
• RQ5 ワークロード分類とプロファイリングを組み合わせることで、システム全体のエネルギー消費を削減するスケジューリング意思決定がどれほど効果的か？

主な発見

• CPU、メモリ、ディスク、ネットワーク集約的タスクは、それぞれ異なるエネルギー消費プロファイルを示し、顕著に異なる電力消費パターンを示す。
• CloudMonitorは、リソースデータと電力データを用いた回帰モデルをトレーニング段階で使用することで、95%を超える精度で電力消費を予測する。
• 電力予測モデルの標準誤差は5%以内に収まっており、スケジューリング用途には妥当な範囲である。
• StACCプライベートクラウドにおけるワークロードは通常、1つのリソースタイプに集中しており、支配的リソース使用量に基づく正確なプロファイリングが可能である。
• リソース集約的VMを補完的ワークロード（例：CPUとディスク）と組み合わせることで、パフォーマンスとエネルギー効率が向上する。
• 初期のワークロードプロファイルに基づくオフラインで静的スケジューリングを採用することで、VM移行のペナルティを回避できる。