[논문 리뷰] Multi-objective, Decentralized Dynamic Virtual Machine Consolidation using ACO Metaheuristic in Computing Clouds

Md Hasanul Ferdaus, Manzur Murshed외 2명|arXiv (Cornell University)|2017. 06. 20.

Cloud Computing and Resource Management인용 수 14

한 줄 요약

이 논문은 대규모 클라우드 데이터센터에서 자원 낭비, 전력 소비 및 가상 머신(VM) 마이그레이션 오버헤드를 최소화하기 위해 개미 군집 최적화(ACO)를 사용하는 분산형 다목적 동적 가상 머신(VM) 통합 프레임워크를 제안한다. 현실적인 마이그레이션 오버헤드 추정 모델과 계층적 분산 아키텍처를 통합함으로써 AMDVMC 알고리즘은 최신 기술 대비 전력 소비를 최대 47% 감소시키고, 자원 낭비를 최대 64% 감소시키며, 마이그레이션 오버헤드를 최대 83% 감소시킨다.

ABSTRACT

Underutilization of computing resources and high power consumption are two primary challenges in the domain of Cloud resource management. This paper deals with these challenges through offline, migration impact-aware, multi-objective dynamic Virtual Machine (VM) consolidation in the context of large-scale virtualized data center environments. The problem is formulated as an NP-hard discrete combinatorial optimization problem with simultaneous objectives of minimizing resource wastage, power consumption, and the associated VM migration overhead. Since dynamic VM consolidation through VM live migrations have negative impacts on hosted applications performance and data center components, a VM live migration overhead estimation technique is proposed, which takes into account pragmatic migration parameters and overhead factors. In order to tackle scalability issues, a hierarchical, decentralized dynamic VM consolidation framework is presented that helps to localize migration-related network traffic and reduce network cost. Moreover, a multi-objective, dynamic VM consolidation algorithm is proposed by utilizing the Ant Colony Optimization (ACO) metaheuristic, with integration of the proposed VM migration overhead estimation technique. Comprehensive performance evaluation makes it evident that the proposed dynamic VM consolidation approach outpaces the state-of-the-art offline, migration-aware dynamic VM consolidation algorithm across all performance metrics by reducing the overall power consumption by up to 47%, resource wastage by up to 64%, and migration overhead by up to 83%.

연구 동기 및 목표

• 대규모 클라우드 데이터센터에서 높은 전력 소비와 자원 미사용 문제를 동시에 해결한다.
• 자원 낭비, 전력 사용, 마이그레이션 오버헤드를 최소화하는 다목적, NP-난이도 이산 최적화 문제로 동적 VM 통합을 수립한다.
• 성능 저하를 줄이기 위해 실제 네트워크 및 시스템 파라미터를 고려한 마이그레이션 오버헤드 추정 기법을 개발한다.
• 마이그레이션 트래픽을 국지화하고 네트워크 비용과 확장성의 한계를 줄이기 위해 계층적 분산 아키텍처를 설계한다.
• 마이그레이션 인식 최적화와 ACO 메타휴리스틱을 통합하여 확장성 있고 효율적이며 에너지 효율적인 VM 통합을 가능하게 한다.

제안 방법

• 자원 낭비, 전력 소비, VM 마이그레이션 오버헤드를 최소화하는 세 가지 목표를 가진 이산 조합 최적화 문제로 동적 VM 통합 문제를 수립한다.
• 네트워크 대역폭, VM 메모리 크기, CPU 로드 등의 핵심 요소를 포함한 실용적인 VM 마이그레이션 오버헤드 추정 모델을 제안한다.
• 결정을 국지화하고 마이그레이션 작업의 네트워크 전반적 영향을 줄이기 위해 계층적 분산 통합 프레임워크를 설계한다.
• 피톤 랜드와 히وري스틱 정보를 사용해 VM 배치 결정을 이끄는 다목적 ACO 기반 알고리즘(AMDVMC)을 구현한다.
• 마이그레이션 오버헤드 추정 모델을 ACO 알고리즘에 통합하여 총 운영 비용을 줄이는 해법을 우선순위로 정렬한다.
• 클러스터 크기와 워크로드가 다양할 경우를 대비한 대규모 시뮬레이션을 통해 확장성과 성능을 평가한다.

실험 결과

연구 질문

• RQ1 대규모 데이터센터에서 자원 낭비, 전력 소비, 마이그레이션 오버헤드를 동시에 줄일 수 있는 동적 VM 통합은 어떻게 최적화될 수 있는가?
• RQ2 실제 네트워크 및 시스템 파라미터를 반영한 현실적인 마이그레이션 오버헤드 추정 모델은 VM 통합 알고리즘의 실용성과 성능에 얼마나 기여하는가?
• RQ3 분산형 계층 아키텍처는 네트워크 트래픽과 중앙 집중식 조정을 최소화하면서도 VM 통합의 확장성을 효과적으로 달성할 수 있는가?
• RQ4 ACO 기반 다목적 최적화 접근 방식은 기존 최신 기술의 마이그레이션 인식 통합 기법과 비교해 에너지 효율성과 자원 활용도 측면에서 어떻게 성능을 발휘하는가?
• RQ5 제안된 AMDVMC 알고리즘의 결정 시간 오버헤드는 얼마이며, 대규모 데이터센터에서 실시간 또는 오프라인 통합에 실현 가능한가?

주요 결과

• 제안된 AMDVMC 알고리즘은 최신 기술 대비 최대 47%의 전력 소비 감소를 달성한다.
• VM 통합과 서버 활용도 향상으로 인해 자원 낭비가 최대 64% 감소한다.
• 실제 마이그레이션 비용 추정 모델을 통합함으로써 VM 마이그레이션 오버헤드가 최대 83% 감소한다.
• 대규모 데이터센터에서 분산 모드에서는 결정 시간이 10초 이내, 중심화 모드에서는 30초 이내를 기록하여 오프라인 사용에 실현 가능함을 입증한다.
• 계층적 분산 프레임워크는 마이그레이션 트래픽을 효과적으로 국지화하고 네트워크 비용과 확장성의 한계를 줄인다.
• 포괄적인 시뮬레이션을 통해 AMDVMC가 에너지 효율성, 자원 활용도, 운영 비용 등 모든 주요 지표에서 기존 방법을 뛰어넘는 성능을 보였다.