[논문 리뷰] A Resource Management Protocol for Mobile Cloud Using Auto-Scaling

Chathura M. Sarathchandra Magurawalage, Kun Yang외 3명|arXiv (Cornell University)|2017. 01. 02.

IoT and Edge/Fog Computing참고 문헌 26인용 수 3

한 줄 요약

이 논문은 모바일 클라우드 컴퓨팅(MCC) 및 클라우드 라디오 액세스 네트워크(C-RAN)를 위한 중심화된 자원 관리 프로토콜을 제안하며, 동적 작업 오프로딩과 가상 머신(VM) 자원의 오토스케일링을 가능하게 한다. 이는 수직 오토스케일링—특히 CPU 및 스토리지에 대해—지속적인 지연(일부 경우 50초 이상)을 유발함을 드러내며, 지연 민감 응용 프로그램에 대해 실시간 스케일링이 비현실적임을 시사한다.

ABSTRACT

Cloud radio access networks (C-RAN) and Mobile Cloud Computing (MCC) have emerged as promising candidates for the next generation access network techniques. MCC enables resource limited mobile devices to offload computationally intensive tasks to the cloud, while C-RAN offers a technology that addresses the increasing mobile traffic. In this paper, we propose a protocol for task offloading and for managing resources in both C-RAN and mobile cloud together using a centralised controller. Experiments on resource management using cloud auto-scaling shows that resource (CPU, RAM, Storage) scaling times vary.

연구 동기 및 목표

• 하이브리드 모바일 클라우드 및 C-RAN 아키텍처에서 계산 및 통신 자원을 효율적으로 관리하는 과제를 해결하기 위해.
• 중앙 집중식 컨트롤러를 사용하여 모바일 클라우드 및 C-RAN 간의 작업 오프로딩 및 자원 할당을 위한 통합 프로토콜을 설계하기 위해.
• 모바일 클라우드 환경에서 CPU, RAM, 스토리지에 대한 수직 오토스케일링 성능을 조사하기 위해.
• 오토스케일링 지연이 모바일 클라우드 구현에서 실시간 응용 프로그램의 타당성에 미치는 영향을 평가하기 위해.

제안 방법

• 모바일 클라우드 VM과 C-RAN의 백본 유닛(BBU)을 모두 통합 신호 프로토콜을 통해 관리하기 위한 중심화된 컨트롤러를 제안한다.
• 작업 오프로딩 및 자원 관리 신호 전달을 위해 단순하고 표준화된 패킷 헤더를 사용한다.
• 지속적 및 비지속적 스케일링 시나리오에서 CPU, RAM, 스토리지 자원에 대한 VM 리사이징 성능을 실증적으로 평가한다.
• 테스트베드에서 KVM 기반 가상화를 사용하여 다양한 VM 디스크 크기와 자원 유형에서 실제 스케일링 지연을 측정한다.
• 기본 VM 디스크 크기와 자원 유형을 기반으로 스케일링 지연 추세를 모델링하기 위해 이차 다항 회귀를 적용한다.
• VM 크기, 스케일링 방법(지속적 대비 비지속적), 그리고 클라우드 환경이 오토스케일링 지연에 미치는 영향을 분석한다.

실험 결과

연구 질문

• RQ1 모바일 클라우드 환경에서 CPU, RAM, 스토리지 자원에 대한 오토스케일링 지연은 어떻게 달라지나?
• RQ2 스케일링 방법(지속적 대비 비지속적)이 다양한 자원 유형에 대한 VM 리사이징 시간에 어떤 영향을 미치는가?
• RQ3 기본 VM 디스크 크기가 VM 리사이징 작업 중 지연 시간에 어떻게 영향을 미치는가?
• RQ4 오토스케일링 지연이 지연 민감 응용 프로그램의 실시간 적용 가능성에 얼마나 큰 영향을 미치는가?
• RQ5 VM 리사이징 성능 추세를 모델링하여 모바일 클라우드 시스템에서 더 스마트한 오토스케일링 의사결정을 지원할 수 있는가?

주요 결과

• 일부 경우에 CPU 및 스토리지 자원의 오토스케일링 지연이 50초를 초과하여, 지연 민감 응용 프로그램에 대해 실시간 스케일링이 비현실적임을 시사한다.
• 지속적 스케일링 시나리오에서 VM 디스크 크가 증가할수록 스케일링 지연이 증가하며, 특히 스토리지 및 CPU 자원에서 두드러진다.
• 표본 수가 제한되고 하드웨어 제약(최대 18GB 메모리)으로 인해 RAM 리사이징 지연에 명확한 추세를 관찰하지 못했지만, 회귀 모델은 감소 추세를 시사한다.
• 스케일링 지연은 자원 유형 외에도 스케일링 방법(업스케일링/다운스케일링)과 VM 구성에 따라 달라진다.
• VM 리사이징 성능은 기반 가상화 기술과 클라우드 환경에 따라 크게 달라지므로, 플랫폼별 최적화가 필요하다.
• 향후 오토스케일링 알고리즘은 VM 고유 특성(예: 디스크 크기)과 환경적 요인(예: 총 VM 수)을 모두 고려하여 효과적인 의사결정을 내려야 한다.