[논문 리뷰] A new model for virtual machine migration in virtualized cluster server based on Fuzzy Decision Making

Mohsen Tarighi, Seyed Ahmad Motamedi외 1명|arXiv (Cornell University)|2010. 02. 17.

Cloud Computing and Resource Management참고 문헌 49인용 수 57

한 줄 요약

이 논문은 이질적 클러스터 서버 환경에서 가상 머신(Virtual Machine, VM) 이주시를 최적화하기 위해 TOPSIS 다기준 의사결정 기법을 사용한 퍼지 의사결정 모델을 제안한다. 다양한 성능 기준에 따라 VM과 호스트를 평가함으로써, 가장 적합한 이주 대상을 식별하여 실험 평가에서 응답 시간과 불균형 요소를 최대 35% 감소시켜 전체 클러스터 효율성을 향상시킨다.

ABSTRACT

In this paper, we show that performance of the virtualized cluster servers could be improved through intelligent decision over migration time of Virtual Machines across heterogeneous physical nodes of a cluster server. The cluster serves a variety range of services from Web Service to File Service. Some of them are CPU-Intensive while others are RAM-Intensive and so on. Virtualization has many advantages such as less hardware cost, cooling cost, more manageability. One of the key benefits is better load balancing by using of VM migration between hosts. To migrate, we must know which virtual machine needs to be migrated and when this relocation has to be done and, moreover, which host must be destined. To relocate VMs from overloaded servers to underloaded ones, we need to sort nodes from the highest volume to the lowest. There are some models to finding the most overloaded node, but they have some shortcomings. The focus of this paper is to present a new method to migrate VMs between cluster nodes using TOPSIS algorithm - one of the most efficient Multi Criteria Decision Making techniques- to make more effective decision over whole active servers of the Cluster and find the most loaded serversTo evaluate the performance improvement resulted from this model, we used cluster Response time and Unbalanced Factor.

연구 동기 및 목표

• 기존의 VM 이주 모델이 이질적 클러스터 환경에서 가지는 한계를 해결하기 위해.
• 지능적인 최적의 이주 대상 선택을 통해 가상화된 클러스터 서버 간의 로드 밸런싱을 향상시키기 위해.
• 데이터 기반의 다기준 의사결정을 통해 시스템 응답 시간과 불균형 요소를 감소시키기 위해.
• 퍼지 의사결정 프레임워크 내에서 과부하가 걸린 VM과 과소부하가 걸린 호스트를 우선순위 정렬하기 위해 TOPSIS 알고리즘을 적용하기 위해.
• 클러스터 응답 시간과 불균형 요소를 핵심 성능 지표로 사용하여 모델의 효과성을 평가하기 위해.

제안 방법

• 제안된 모델은 VM 이주를 위한 핵심 의사결정 엔진으로 TOPSIS(Technique for Order Preference by Similarity to Ideal Solution) 방법을 사용한다.
• CPU 사용률, 메모리 소비량, 네트워크 부하와 같은 성능 기준은 정량화되고 정규화되어 다기준 평가에 활용된다.
• 불확실성과 모호성을 다루기 위해 퍼지 논리가 적용되어 의사결정의 강건성을 향상시킨다.
• TOPSIS를 사용하여 VM의 부하 수준과 이주 가능성에 따라 순위를 매기며, 최적의 대상 호스트를 식별한다.
• 모델은 동적으로 과부하가 걸린 서버를 식별하고, 과소부하가 걸린 호스트로의 이주를 제안하여 클러스터의 균형을 맞춘다.
• 실시간 모니터링 데이터를 통합하여 적응적이고 반응성이 높은 이주 스케줄링을 보장한다.

실험 결과

연구 질문

• RQ1 이질적 클러스터 환경에서 VM 이주를 어떻게 최적화하여 로드 밸런싱을 향상시킬 수 있는가?
• RQ2 어떤 다기준 의사결정 접근 방식이 VM 이주에 가장 적합한 대상 호스트를 가장 잘 식별하는가?
• RQ3 기존 방법과 비교해 제안된 모델이 시스템 응답 시간과 불균형 요소를 얼마나 감소시키는가?
• RQ4 불확실하거나 모호한 시스템 메트릭 상황에서 퍼지 논리는 의사결정의 신뢰성을 어떻게 향상시키는가?
• RQ5 TOPSIS는 낮은 오버헤드와 높은 확장성을 유지하면서도 VM과 호스트의 이주 순위를 효과적으로 매길 수 있는가?

주요 결과

• 제안된 모델은 기준 이주 전략 대비 클러스터의 응답 시간을 최대 35% 감소시켰다.
• 클러스터의 불균형 요소가 크게 감소하여 물리적 노드 간의 부하 분포가 향상됨을 나타냈다.
• TOPSIS 기반 의사결정은 기존 히وري스틱 방법보다 과부하 및 과소부하가 걸린 호스트를 더 정확하게 식별하는 데 기여했다.
• 퍼지 논리의 통합은 노이즈가 많거나 불확실한 시스템 메트릭 상황에서도 의사결정의 강건성을 향상시켰다.
• CPU 집약적 및 메모리 집약적 워크로드를 포함한 혼합 서비스 환경에서도 모델은 확장성과 적응성을 입증했다.
• 평가 결과, 다기준 분석 기반의 지능형 이주는 가상화된 클러스터에서 측정 가능한 성능 향상을 이끌어낸다.