[논문 리뷰] Energy-aware Application Scaling on a Cloud

Ashkan Paya, Dan C. Marinescu|arXiv (Cornell University)|2013. 07. 12.

Cloud Computing and Resource Management참고 문헌 16인용 수 4

한 줄 요약

이 논문은 클라우드 환경을 위한 에너지 인식 자원 스케일링 알고리즘을 제안하며, 에너지 효율적인 '최적 영역'에서 가능한 한 많은 서버를 운영하고, 열악한 또는 바람직하지 않은 상태에 있는 서버 수를 최소화하여 서버 운영을 최적화한다. 로드 밸런싱, 어드미션 컨트롤, 동적 스케일링 결정을 통합함으로써 특히 경하중 서버에 대해 수면 모드를 우선시함으로써, 반응성에 영향을 주지 않으면서도 에너지 소비를 최대 30% 감소시킨다. 이는 다양한 워크로드와 클러스터 크기에서 시뮬레이션을 통해 검증되었다.

ABSTRACT

Cloud elasticity - the ability to use as much resources as needed at any given time - and low cost - a user pays only for the resources it consumes - represent solid incentives for many organizations to migrate some of their computational activities to a public cloud. As the interest in cloud computing grows, so does the size of the cloud computing centers and their energy footprint. The realization that power consumption of cloud computing centers is significant and it is expected to increase substantially in the future motivates our interest in scheduling and scaling algorithms which minimize power consumption. We propose energy-aware application scaling and resource management algorithms. Though targeting primarily the Infrastructure as a Service (IaaS), the system models and the algorithms we propose can be applied to the other cloud delivery models and to private clouds.

연구 동기 및 목표

• 2006년 미국에서 610억 kWh를 소비한 대규모 클라우드 데이터센터의 증가하는 에너지 발자국을 해결하기 위해.
• 특히 인프라로서의 서비스(IaaS) 환경에서 자원 요청에 대한 반응성과 에너지 효율성을 균형 잡는 자원 관리 시스템을 설계하기 위해.
• 전체 에너지 소비를 최소화하기 위해 전력 최적화 서버 영역을 식별하고 이를 촉진함과 동시에 열악하거나 바람직하지 않은 상태에 머무는 시간을 줄이기 위해.
• 클러스터링된 클라우드 아키텍처에서 스케일러블하고 분산된 의사결정을 가능하게 하기 위해 대부분의 스케일링 결정을 국지화함으로써 클러스터 리더와의 통신 오버헤드를 감소시키기 위해.

제안 방법

• 저자들은 전력 소비와 성능 간의 트레이드오프에 기반해 두 가지 바람직하지 않은 영역, 두 가지 열악한 영역, 그리고 한 가지 최적 영역으로 총 다섯 가지 서버 운영 영역을 정의한다.
• 수직 또는 수평 스케일링 결정 또는 서버를 수면 모드로 전환할 시점을 가이드하기 위한 에너지 인식 운영 모델을 개발한다.
• 세 단계의 계층적 의사결정 프레임워크를 사용한다: 국지적 의사결정(개별 서버에서 수행), 클러스터 수준의 조율(클러스터 리더가 담당), 클러스터 간 글로벌 조율.
• 로드 추세와 서버 상태를 기반으로 스케일링 결정을 내리며, 서버가 최적 영역에 머무르도록 하며 경하중 서버는 수면 모드로 전환하는 데 중점을 둔다.
• 동일한 프레임워크 내에서 어드미션 컨트롤 및 용량 할당 정책을 통합하여 QoS를 보장하면서도 에너지 소비를 최소화한다.
• 통신 오버헤드를 최소화하기 위해 국지적 의사결정을 우선시하며, 시뮬레이션 결과에서 클러스터 리더의 참여가 필요한 의사결정보다 국지적 의사결정이 최대 두 배 많았음을 확인했다.

실험 결과

연구 질문

• RQ1 클라우드 자원 관리 알고리즘은 어떻게 설계되어야 하며, 스케일링 요청에 대한 반응성을 유지하면서 에너지 소비를 최소화할 수 있는가?
• RQ2 전력 효율성과 성능 측면에서 최적의 서버 운영 영역는 무엇이며, 어떻게 동적으로 유지할 수 있는가?
• RQ3 국지적 의사결정은 대규모 클라우드 클러스터에서 통신 오버헤드를 얼마나 줄일 수 있는가?
• RQ4 이 알고리즘은 다양한 워크로드와 클러스터 크기에서 에너지 소비를 얼마나 효과적으로 줄일 수 있는가?
• RQ5 경하중 서버에 대해 수면 모드를 통합함으로써 전체 클라우드 환경의 에너지 소비를 상당히 줄일 수 있는가?

주요 결과

• 알고리즘은 총 서버의 약 70%가 최적 영역에서 운영되도록 성공적으로 유도하였으며, 바람직하지 않은 영역에 머무르는 서버 비율은 5%로 줄였다.
• 다양한 워크로드에서 일관된 성능을 유지하였으며, 경하중(30% 로드)에서 고하중(70% 로드)에 이르기까지 에너지 효율성에 미미한 변동만을 보였다.
• 시뮬레이션 간격 42, 50, 76에서 알고리즘이 40대의 서버 중 13~15대를 수면 모드로 전환하여 불필요한 전력 소비를 효과적으로 줄였다.
• 비에너지 인식 운영 방식 대비 최대 30%의 에너지 절감을 달성하였으며, 이는 절감된 에너지량을 기준 소비량으로 나눈 비율로 측정되었다.
• 초기 일시적 단계 이후 50% 이상의 의사결정이 클러스터 리더의 개입 없이 국지적으로 이루어져 통신 오버헤드가 낮게 유지되었다.
• 20~100대의 서버로 구성된 다양한 클러스터 크기에서 알고리즘이 강건하고 확장 가능했으며, 실세계 적용에 적합함을 시사했다.