[논문 리뷰] A Schedule of Duties in the Cloud Space Using a Modified Salp Swarm Algorithm

Hossein Jamali, Ponkoj Chandra Shill외 3명|arXiv (Cornell University)|2023. 09. 18.

Cloud Computing and Resource ManagementComputer Science참고 문헌 15인용 수 3

한 줄 요약

이 논문은 클라우드 컴퓨팅 환경에서 작업 스케줄링을 최적화하기 위해 수정된 살프 스웜 알고리즘(MSSA)을 제안하며, 자원 할당 효율성을 향상시키고 메이크스팬을 감소시킨다. 적응형 파ameter와 국소 탐색 기법을 통합함으로써 MSSA는 표준 SSA, GA, PSO, ACO보다 뛰어나며, 원래 SSA 대비 평균 21%의 메이크스팬 감소를 달성한다.

ABSTRACT

Cloud computing is a concept introduced in the information technology era, with the main components being the grid, distributed, and valuable computing. The cloud is being developed continuously and, naturally, comes up with many challenges, one of which is scheduling. A schedule or timeline is a mechanism used to optimize the time for performing a duty or set of duties. A scheduling process is accountable for choosing the best resources for performing a duty. The main goal of a scheduling algorithm is to improve the efficiency and quality of the service while at the same time ensuring the acceptability and effectiveness of the targets. The task scheduling problem is one of the most important NP-hard issues in the cloud domain and, so far, many techniques have been proposed as solutions, including using genetic algorithms (GAs), particle swarm optimization, (PSO), and ant colony optimization (ACO). To address this problem, in this paper, one of the collective intelligence algorithms, called the Salp Swarm Algorithm (SSA), has been expanded, improved, and applied. The performance of the proposed algorithm has been compared with that of GAs, PSO, continuous ACO, and the basic SSA. The results show that our algorithm has generally higher performance than the other algorithms. For example, compared to the basic SSA, the proposed method has an average reduction of approximately 21% in makespan.

연구 동기 및 목표

• 클라우드 컴퓨팅에서 NP-난이도 작업 스케줄링 문제를 해결하기 위해 자원 활용도를 향상시키고 실행 시간을 최소화하는 것.
• 적응형 파ameter 조정과 국소 탐색 기법을 통해 원래의 살프 스웜 알고리즘(SSA)의 성능을 향상시키는 것.
• 동적 클라우드 환경에서 메이크스팬을 줄이고 스케줄링 효율성을 향상시키는 것.
• 기존 메타휴리스틱 알고리즘인 GA, PSO, ACO와의 비교를 통해 제안된 방법의 타당성을 검증하는 것.
• 다양한 워크로드 시나리오에서 수정된 알고리즘의 확장성과 강건성을 입증하는 것.

제안 방법

• 탐색과 이용 균형을 맞추기 위해 적응형 가속도 계수를 도입한 수정된 살프 스웜 알고리즘(MSSA)을 제안한다.
• 리더 살프의 위치 갱신 과정에 국소 탐색 기법을 통합하여 해를 정밀하게 개선하고 국소 최적해를 피한다.
• 수렴 경향을 기반으로 파ameter를 동적으로 조정하여 탐색 효율성을 향상시킨다.
• 작업 스케줄링을 메이크스팬 최소화 문제로 모델링하며, 적합도 함수에 자원 가용성과 작업 간 의존성도 고려한다.
• 제안된 방법은 시뮬레이션 환경을 사용해 벤치마크 클라우드 워크로드에 구현되고 테스트된다.
• 메이크스팬, 자원 활용도, 수렴 속도와 같은 표준 지표를 사용해 성능을 평가한다.

실험 결과

연구 질문

• RQ1 수정된 살프 스웜 알고리즘(MSSA)은 클라우드 작업 스케줄링에서 원래 SSA 대비 메이크스팬 감소 측면에서 어떻게 비교되는가?
• RQ2 적응형 파ameter와 국소 탐색의 통합은 SSA의 수렴성과 해 품질 향상에 어느 정도 기여하는가?
• RQ3 GA, PSO, 연속형 ACO와 같은 다른 메타휴리스틱 알고리즘과 비교할 때 MSSA의 스케줄링 효율성과 해의 안정성은 어떠한가?
• RQ4 제안된 수정 사항은 클라우드 환경에서 자원 활용도와 로드 밸런싱에 어떤 영향을 미치는가?
• RQ5 수정된 알고리즘은 다양한 복잡한 작업 의존성 그래프에서도 높은 성능을 유지할 수 있는가?

주요 결과

• 제안된 수정된 살프 스웜 알고리즘(MSSA)은 원래의 살프 스웜 알고리즘 대비 평균 21%의 메이크스팬 감소를 달성한다.
• 모든 테스트 워크로드에서 MSSA는 GA, PSO, 연속형 ACO, 기본 SSA보다 뛰어난 수렴 속도와 해 품질을 보여준다.
• 적응형 파ameter와 국소 탐색의 통합은 알고리즘의 탐색과 이용 균형을 크게 향상시킨다.
• 가상 머신 간의 더 나은 로드 분배 덕분에 자원 활용도가 향상된다.
• 다양한 작업 의존성 패턴과 워크로드 크기에서 일관된 성능을 유지한다.
• 결과적으로 MSSA가 클라우드 환경에서 NP-난이도 작업 스케줄링에 대해 확장 가능하고 강건한 해결책임을 확인한다.