[논문 리뷰] Combination of Convolutional Neural Network and Gated Recurrent Unit for Energy Aware Resource Allocation

Zeinab Khodaverdian, Hossein Sadr외 2명|arXiv (Cornell University)|2021. 06. 23.

Cloud Computing and Resource Management참고 문헌 61인용 수 5

한 줄 요약

이 논문은 구 nu 클라우드 데이터센터 내 가상 머신(Virtual Machine, VM)을 지연 시간 민감도 기반으로 분류하기 위해 하이브리드 CNN-GRU 모델을 제안한다. 이는 지능적인 VM 이주시행을 통해 에너지 효율적인 자원 할당을 가능하게 한다. 마이크로소프트 애저 데이터셋을 활용하여 모델은 VM 분류 정확도 95.18%를 달성하였으며, 기존 방법들보다 뚜렷이 뛰어나며, 에너지 소비를 줄이기 위해 VM을 효율적으로 통합하는 데 기여한다. 이 과정에서 SLA 위반도 최소화된다.

ABSTRACT

Cloud computing service models have experienced rapid growth and inefficient resource usage is known as one of the greatest causes of high energy consumption in cloud data centers. Resource allocation in cloud data centers aiming to reduce energy consumption has been conducted using live migration of Virtual Machines (VMs) and their consolidation into the small number of Physical Machines (PMs). However, the selection of the appropriate VM for migration is an important challenge. To solve this issue, VMs can be classified according to the pattern of user requests into sensitive or insensitive classes to latency, and thereafter suitable VMs can be selected for migration. In this paper, the combination of Convolution Neural Network (CNN) and Gated Recurrent Unit (GRU) is utilized for the classification of VMs in the Microsoft Azure dataset. Due to the fact the majority of VMs in this dataset are labeled as insensitive to latency, migration of more VMs in this group not only reduces energy consumption but also decreases the violation of Service Level Agreements (SLA). Based on the empirical results, the proposed model obtained an accuracy of 95.18which clearly demonstrates the superiority of our proposed model compared to other existing models.

연구 동기 및 목표

• 비효율적인 자원 사용으로 인한 클라우드 데이터센터 내 높은 에너지 소비 문제를 해결하기 위해.
• 지연 시간 민감도에 따라 VM을 지능적으로 선별하여 라이브 이주를 수행함으로써 에너지 인식 자원 할당을 향상시키기 위해.
• SLA 위반을 최소화하면서 VM 통합을 통해 에너지 소비를 줄이기 위해.
• 최적의 이주 결정을 내리기 위해 VM을 지연 시간 민감형과 민감하지 않은 유형으로 정확하게 분류할 수 있는 기계학습 모델을 개발하기 위해.
• 기존 모델들과 비교하여 하이브리드 CNN-GRU 아키텍처가 에너지 인식 클라우드 관리에 적합한 VM 워크로드 분류에서 뛰어난 성능을 보임을 입증하기 위해.

제안 방법

• 제안된 모델은 시간 시리즈 워크로드 패턴에서 공간적 특징을 추출하기 위한 합성곱 신경망(Convolutional Neural Networks, CNNs)과 시간적 의존성을 모델링하기 위한 게이팅 순환 유닛(Gated Recurrent Units, GRUs)을 조합한다.
• 입력 데이터는 마이크로소프트 애저 데이터셋의 이전 CPU 및 메모리 사용률 트레이스로, VM 워크로드를 나타낸다.
• CNN 레이어는 입력 시퀀스에서 관련 있는 공간적 특징을 추출하며, 이를 GRU 레이어가 VM 요청 패턴의 장기적 의존성을 모델링하는 데 사용한다.
• 분류 헤드는 VM이 지연 시간 민감형인지 또는 민감하지 않은지에 대한 확률을 출력하여 이주 결정을 안내한다.
• 모델는 교차 엔트로피 손실을 사용하여 엔드 투 엔드로 훈련되며, Adam 옵timizer를 통해 분류 정확도를 최대화하기 위해 최적화된다.
• 실제 워크로드 트레이스를 기반으로 한 평가를 통해, 모델은 에너지 효율적인 통합을 위한 VM 분류 성능을 평가한다.

실험 결과

연구 질문

• RQ1 하이브리드 CNN-GRU 모델은 워크로드 패턴을 기반으로 VM을 지연 시간 민감형과 민감하지 않은 유형으로 효과적으로 분류할 수 있는가?
• RQ2 기존 기계학습 모델들과 비교해 볼 때 제안된 CNN-GRU 모델은 클라우드 환경에서 VM 분류 정확도에서 어떤가?
• RQ3 정확한 VM 분류가 최적화된 라이브 이주를 통해 클라우드 데이터센터 내 에너지 소비를 어느 정도 줄일 수 있는가?
• RQ4 대부분의 VM이 지연 시간에 민감하지 않다고 레이블링된 데이터셋의 불균형 상태에서도 모델은 높은 정확도를 유지하는가?
• RQ5 지연 시간 민감한 워크로드의 이주를 피하기 때문에 모델은 VM 이주 중 SLA 준수를 지원할 수 있는가?

주요 결과

• 제안된 CNN-GRU 모델은 마이크로소프트 애저 데이터셋에서 95.18%의 분류 정확도를 달성하여 VM 지연 시간 민감도를 식별하는 데 강력한 성능을 보였다.
• 모델은 기존 기준 모델들보다 뚜렷이 뛰어난 성능을 보이며, 복잡한 워크로드 패턴을 효과적으로 포착할 수 있음을 시사한다.
• 높은 정확도 덕분에 지연 시간 민감하지 않은 VM을 신뢰성 있게 식별할 수 있으며, 이를 통해 더 적은 수의 물리적 머신으로 통합이 가능해진다.
• 지연 시간 민감하지 않은 VM을 우선 이주함으로써 모델은 SLA 위반 위험을 증가시키지 않으면서도 상당한 에너지 절감 효과를 낳는다.
• 결과적으로 CNN을 공간적 특징 추출에, GRU를 시간적 모델링에 사용함으로써 클라우드 자원 관리에 있어 분류 성능 향상에 기여함을 확인하였다.
• 불균형한 데이터셋에서도 높은 정확도를 유지함으로써, 대부분의 VM이 지연 시간에 민감하지 않은 실세계 클라우드 환경에서의 실용성도 입증되었다.