[논문 리뷰] Efficient Resource Management in Cloud Environment

Smruti Rekha Swain, Ashutosh Kumar Singh외 1명|arXiv (Cornell University)|2022. 06. 24.

Cloud Computing and Resource Management인용 수 11

한 줄 요약

이 논문은 클라우드 컴퓨팅에서 기계학습 기반 자원 관리 기법에 대한 종합적인 서베이를 제시하며, 가상 머신 배치(Virtual Machine Placement, VMP)와 VM 이주시행을 통해 자원 활용도를 최적화하고 에너지 소비를 감소시키는 데 초점을 맞추고 있다. 작업량 예측, 동적 VM 배치, 보안 및 다중 자원 부하 균형 조정을 통합한 개념적 프레임워크를 제안하며, 에너지 효율적이고 QoS를 충족하는 클라우드 데이터센터를 위한 핵심 과제와 향후 연구 방향을 규명하는 데 기여한다.

ABSTRACT

In cloud computing resource management plays a significant role in data centres and it is directly dependent on the application workload. Various services such as Infrastructure as a Service (IaaS), Platform as a Service (PaaS), and Software as a Service (SaaS) are offered by cloud computing to provide compute, network, and storage capabilities to the cloud users utilizing the pay-per-usage approach. Resource allocation is a prior solution to address various demanding situations like the under/overload handling, resource wastage, load balancing, Quality-of-Services (QoS) violations, VM migration and many more. The primary aim of Virtual Machine Placement (VMP) is mapping of Virtual Machines (VMs) to physical machines (PMs), such that the PMs may be utilized to their maximum efficiency, where the already active VMs are not to be interrupted. It provides a list of live VM migrations that must be accomplished to get the optimum solution and reduces energy consumption to a larger extent. The inefficient VMP leads to wastage of resources, excessive energy consumption and also increase overall operational cost of the data center. On this context, this article provides an extensive survey of resource management schemes in cloud environment. A conceptual scheme for resource management, grouping of current machine learning based resource allocation strategies, and fundamental problems of ineffective distribution of physical resources are analyzed. Thereafter, a complete survey of existing techniques in machine learning based mechanisms in the field of cloud resource management are explained. Ultimately, the paper explores and concludes distinct approaching challenges and future research guidelines associated to resource management in cloud environment.

연구 동기 및 목표

• 나쁜 가상 머신 배치(Virtual Machine Placement, VMP) 및 비최적의 VM 이주 전략으로 인한 클라우드 데이터센터 자원 활용의 비효율성을 해결하기 위해.
• 정적 및 단일 자원 부하 균형 조정 기법의 한계를 분석하여 동적이고 다중 자원 워크로드를 처리하지 못하는 이유를 규명하기 위해.
• 작업량 예측 부정확성, 과부하/저부하 상황에서의 서비스 수준 계약(SLA) 위반, 자원 할당 시 보안 격차와 같은 핵심 과제를 규명하기 위해.
• 예측, 배치, 이주, 부하 균형 조정을 통합한 통합 지능형 프레임워크를 제안하여 에너지 효율성과 QoS를 향상시키기 위해.
• 실시간, 다중 자원, 보안 및 장애 내성 클라우드 자원 관리 시스템을 위한 향후 연구 방향을 제시하기 위해.

제안 방법

• 응용 프로그램, VM, 물리적 머신 수준에서 작업량 예측, VM 배치, VM 이주, 부하 균형 조정을 통합한 개념적 자원 관리 프레임워크를 제안한다.
• 기존 기계학습 기반 자원 할당 전략을 인공신경망(ANN), LSTM-RNN, PSO-NSGA-II 하이브리드, 신경망 최적화를 위한 적응형 미분 진화 알고리즘 등 카테고리로 분류한다.
• 통신 비용을 고려한 VM 배치를 향상시키기 위해 PSO와 NSGA-II를 융합한 다목적 접근법(PSOGA)을 도입한다.
• 기존 역전파 알고리즘에 비해 예측 정확도와 수렴 속도를 향상시키기 위해 LSTM-RNN과 적응형 미분 진화 알고리즘을 활용한 동적 예측 모델을 적용한다.
• 예측, 할당, 배치, 이주 작업 간의 상호작용을 가능하게 하여 통합 최적화를 위한 동일한 플랫폼을 권장한다.
• 기존 자원 사용 데이터와 실시간 자원 사용 데이터를 활용해 예측 모델을 실시간 재학습함으로써 동적 환경에서의 적응성과 정확도를 향상시킬 것을 제안한다.

실험 결과

연구 질문

• RQ1 기계학습 모델은 클라우드 환경에서 향후 자원 수요 예측 정확도를 어떻게 향상시켜 SLA 위반을 방지할 수 있는가?
• RQ2 과부하/저부하 상황에서 정지 시간과 성능 저하를 최소화하는 최적의 실시간 VM 이주 전략은 무엇인가?
• RQ3 자원 관리 시스템은 CPU, 메모리, 대역폭 등 여러 자원을 동시에 효율적으로 균형 조정하여 버티브를 방지할 수 있는가?
• RQ4 보안은 자원 할당에서 어떤 역할을 하며, 성능이나 활용도를 훼손하지 않으면서도 안전한 VM 간 통신을 어떻게 확보할 수 있는가?
• RQ5 작업량 예측, VM 배치, 부하 균형 조정을 하나의 협업 가능한 프레임워크로 통합하면 에너지 효율성과 QoS는 어떻게 향상될 수 있는가?

주요 결과

• LSTM-RNN 모델은 전통적인 ANN 및 역전파 알고리즘보다 작업량 예측 정확도에서 뛰어나지만, 더 높은 계산 시간이 소요된다.
• PSOGA 하이브리드 알고리즘(PSO + NSGA-II)은 VM 배치에서 자원 활용도를 향상시키고 응답 시간을 감소시키지만, 클러스터 수준의 VM 매핑을 고려하지는 않는다.
• 적응형 미분 진화 알고리즘 기반 신경망 최적화는 표준 SaDE 대비 더 빠른 수렴 속도를 달성하지만, 알고리즘 복잡도가 증가한다.
• 현재의 접근 방식은 일반적으로 단일 자원 부하 균형 조정(예: CPU 전용)에 집중하여, 메모리나 대역폭 등 다른 자원이 제약이 되는 경우 성능 저하가 발생한다.
• 예측 부족과 반응형 이주 전략은 데이터센터에서 성능 저하, SLA 위반, 에너지 소비 증가를 초래한다.
• 미래의 클라우드 자원 관리 시스템은 실시간, 다중 자원, 보안 및 장애 내성 기능을 통합한 통합 프레임워크가 필수적이다. 이는 변화하는 QoS 및 지속 가능성 요구사항을 충족하기 위함이다.