[논문 리뷰] Multi-factorial Optimization for Large-scale Virtual Machine Placement in Cloud Computing

Zhengping Liang, Jian Zhang외 2명|arXiv (Cornell University)|2020. 01. 18.

IoT and Edge/Fog Computing참고 문헌 52인용 수 4

한 줄 요약

이 논문은 이질적인 클라우드 환경에서 대규모 가상 머신 배치(LVMP) 문제를 해결하기 위해 탐욕 기반 할당 및 재이주/병합 연산자를 갖춘 다인자성 진화 알고리즘(MFEA)을 제안한다. 최적화 시간을 크게 단축하여 250,000台의 VM에 대해 37.61초를 기록했으며, 높은 자원 활용도와 낮은 배치 비용을 유지하면서 HGAPSO와 RGGA에 비해 확장성과 실시간 성능에서 뛰어난 성능을 보였다.

ABSTRACT

The placement scheme of virtual machines (VMs) to physical servers (PSs) is crucial to lowering operational cost for cloud providers. Evolutionary algorithms (EAs) have been performed promising-solving on virtual machine placement (VMP) problems in the past. However, as growing demand for cloud services, the existing EAs fail to implement in large-scale virtual machine placement (LVMP) problem due to the high time complexity and poor scalability. Recently, the multi-factorial optimization (MFO) technology has surfaced as a new search paradigm in evolutionary computing. It offers the ability to evolve multiple optimization tasks simultaneously during the evolutionary process. This paper aims to apply the MFO technology to the LVMP problem in heterogeneous environment. Firstly, we formulate a deployment cost based VMP problem in the form of the MFO problem. Then, a multi-factorial evolutionary algorithm (MFEA) embedded with greedy-based allocation operator is developed to address the established MFO problem. After that, a re-migration and merge operator is designed to offer the integrated solution of the LVMP problem from the solutions of MFO problem. To assess the effectiveness of our proposed method, the simulation experiments are carried on large-scale and extra large-scale VMs test data sets. The results show that compared with various heuristic methods, our method could shorten optimization time significantly and offer a competitive placement solution for the LVMP problem in heterogeneous environment.

연구 동기 및 목표

• 기존 진화 알고리즘(EAs)이 대규모 가상 머신 배치(LVMP) 문제에 대해 가지는 확장성 및 높은 시간 복잡도의 한계를 해결하기 위해.
• 이질적인 클라우드 환경에서 상관관계가 있는 다수의 VM 배치 작업을 동시에 최적화하기 위해 다인자성 최적화(MFO)를 적용하기 위해.
• MFO 프레임워크 내에서 비용 기반 VMP 문제를 수립하여 배치 비용을 감소시키기 위해.
• 탐욕 기반 할당 연산자와 재이주/병합 연산자를 활용하여 통합된 해를 생성함으로써 해의 품질과 수렴 속도를 향상시키기 위해.
• 대규모 및 초대규모 테스트 데이터셋에서 성능을 평가하여 실시간 성능과 확장성을 입증하기 위해.

제안 방법

• 다인자성 최적화(MFO) 문제로 배치 비용 기반 VMP 문제를 수립하여, 다수의 VM 배치 작업을 동시에 최적화할 수 있도록 한다.
• 초기 해 품질과 수렴 속도를 향상시키기 위해 탐욕 기반 할당 연산자를 통합한 다인자성 진화 알고리즘(MFEA)을 개발한다.
• 개별 MFO 작업에서 유도된 해를 통합된 고품질의 배치 구성으로 융합하기 위해 재이주 및 병합 연산자를 도입한다.
• 다양한 관련 최적화 작업 간에 공유되는 유전적 특성을 활용하여 암묵적 병렬성을 추출하는 인구 기반 탐색 전략을 채택한다.
• 실제 클라우드 데이터센터를 모델링하기 위해 CPU, RAM, 디스크 구성이 다양한 이질적 물리 서버(PS) 환경을 사용한다.
• 대규모(최대 50,000대의 VM) 및 초대규모(최대 250,000대의 VM) 데이터셋을 대상으로 시뮬레이션 실험을 수행하여 성능를 검증한다.

실험 결과

연구 질문

• RQ1 다인자성 최적화(MFO)가 대규모 가상 머신 배치(LVMP) 문제에 대해 진화 알고리즘의 시간 복잡도를 효과적으로 낮추고 확장성을 향상시킬 수 있는가?
• RQ2 탐욕 기반 할당을 적용한 제안된 MFEA가 기존 히우리스틱 및 메타휴리스틱 방법에 비해 최적화 시간과 해 품질 측면에서 어떻게 뛰어나게 되는가?
• RQ3 재이주 및 병합 연산자가 해 융합 및 전체적인 배치 효율성을 어느 정도 향상시키는가?
• RQ4 제안된 방법이 VM 워크로드 크기가 증가함에 따라, 특히 100,000대를 초과할 경우 어떻게 확장되는가?
• RQ5 MFO 기반 접근법이 대규모 워크로드 하에서 이질적인 클라우드 환경에서 고도의 자원 활용도와 낮은 배치 비용을 유지할 수 있는가?

주요 결과

• 제안된 방법은 250,000대의 VM을 포함한 테스트 세트에 대해 최적화 시간이 단 37.61초에 그쳤으며, HGAPSO(4319.83초)와 RGGA(2323.15초)에 비해 뚜렷한 성능 우월성을 보였다.
• 초대규모 데이터셋 EDS6(250,000대의 VM)에서 평균 자원 활용도는 85.65%를 기록했으며, HGAPSO의 73.72%와 RGGA의 82.20%에 비해 높았다.
• EDS6에서의 배치 비용은 114,808.82 단위로 줄었으며, HGAPSO의 154,519.62 단위와 RGGA의 125,991.47 단위에 비해 낮았다.
• 추가로 50,000대의 VM이 증가할 때마다 평균 실행 시간이 약 7초만 증가하여 강력한 확장성과 안정성을 입증했다.
• EDS6에서 평균 종합 활용률은 85.65%를 유지했고, 활성화된 물리 서버 수(26,453.77대)도 낮아 높은 해 품질을 확보했다.
• 재이주 및 병합 연산자는 작업별 최적 해를 글로벌 최적 배치 구성으로 효과적으로 융합시켜 해 품질과 수렴 속도를 향상시켰다.