[논문 리뷰] Optimal Placement Algorithms for Virtual Machines

Umesh Bellur, Chetan S. Rao외 1명|arXiv (Cornell University)|2010. 11. 23.

Cloud Computing and Resource Management참고 문헌 25인용 수 41

한 줄 요약

이 논문은 데이터 센터에서 물리적 머신(PM)의 수를 최소화하기 위해 선형 및 이차 프로그래밍 기반의 두 가지 새로운 알고리즘을 제안한다. 다항 시간 수학적 최적화를 활용함으로써, 차원 2에서 10 사이에서 평균 근사 비율이 1.2 이하인 근사 최적의 패킹을 달성하며, 기존 이론적 한계를 크게 뛰어넘는다.

ABSTRACT

Cloud computing provides a computing platform for the users to meet their demands in an efficient, cost-effective way. Virtualization technologies are used in the clouds to aid the efficient usage of hardware. Virtual machines (VMs) are utilized to satisfy the user needs and are placed on physical machines (PMs) of the cloud for effective usage of hardware resources and electricity in the cloud. Optimizing the number of PMs used helps in cutting down the power consumption by a substantial amount. In this paper, we present an optimal technique to map virtual machines to physical machines (nodes) such that the number of required nodes is minimized. We provide two approaches based on linear programming and quadratic programming techniques that significantly improve over the existing theoretical bounds and efficiently solve the problem of virtual machine (VM) placement in data centers.

연구 동기 및 목표

• 클라우드 데이터 센터에서 사용되는 물리적 머신(PM)의 수를 최소화하기 위해 가상 머신(VM)의 배치를 최적화함으로써.
• 클라우드 가상화 환경에서의 NP-난해한 다차원 벡터 백팩(VBP) 문제를 해결함으로써.
• 기존 휴리스틱 및 이론적 근사 한계를 능가하는 효율적이고 다항 시간 내에 수행 가능한 알고리즘을 개발함으로써.
• 하드웨어 통합을 통해 전력 소비를 줄이는 정적 VM 배치를 위한 확장 가능한 솔루션을 제공함으로써.
• 제안된 알고리즘을 정확한 해와 최신 약간의 근사 한계와 비교하여 평가함으로써.

제안 방법

• VM 배치 문제를 정수 선형계획문제(ILP)와 그 완화된 형태로 수식화하여 다항 시간 내에 해를 구함.
• 완화된 ILP 해에 기반해 First-Fit, GreedyLP, IterativePack 중 동적으로 선택하는 하이브리드 알고리즘(PackingVectors)을 사용함.
• LP 해에서의 할당 확률에 따라 정렬하고 벡터를 패킹하는 그리디 패킹 전략(GreedyLP)을 적용함.
• 할당된 벡터의 무게 합이 높은 백팩을 우선순위로 정하는 반복적 패킹 서브루틴(IterativePack)을 활용하여 패킹 효율을 향상시킴.
• 표준 솔버(예: lp-solve)를 사용하여 완화된 ILP 및 이차 프로그래밍 수식을 풀어 근사 최적의 패킹 결정을 유도함.
• 이중 목표 계산과 임계값 설정을 통합하여 고유용성 백팩에 집중하고 낭비된 용량을 줄임.

실험 결과

연구 질문

• RQ1 선형 및 이차 프로그래밍 기법을 사용하여 데이터 센터에서 근사 최적의 VM 배치를 달성할 수 있는가?
• RQ2 제안된 알고리즘은 다차원 벡터 백팩 문제에 대해 기존 이론적 근사 한계와 비교해 어떻게 성능을 발휘하는가?
• RQ3 하이브리드 알고리즘이 휴리스틱 기반 접근법에 비해 물리적 머신의 수를 얼마나 줄이는가?
• RQ4 알고리즘이 다양한 차원(d)과 입력 크기에서 강력한 성능을 유지하는가?
• RQ5 이 방법은 실세계 데이터 센터에서의 동적 VM 배치 및 지속적인 최적화로 확장될 수 있는가?

주요 결과

• 제안된 'PackingVectors' 알고리즘은 차원 d가 2에서 10인 2000회의 랜덤 실험에서 평균 근사 비율이 1.2 이하를 기록함.
• Bansal 등이 제시한 최고의 이론적 한계 (ln d + 1 + ε)를 일관되게 뛰어넘으며, 실험 결과에서 뚜렷한 개선을 보임.
• 낮은 차원(d < 10)에서는 평균 근사 비율이 1.2 이하를 유지하여 근사 최적의 성능를 보임.
• 해결책 특성에 따라 First-Fit, GreedyLP, IterativePack 중 하나를 선택하는 알고리즘 1의 하이브리드 설계는 다양한 입력 구성에서의 강건성을 보장함.
• 모든 서브루틴과 주 알고리즘이 다항 시간 내에 실행되어 대규모 데이터 센터 워크로드에 대한 확장성을 보장함.
• 완화된 정수 선형 및 이차 프로그래밍을 사용함으로써 체계적 탐색 없이도 효율적이고 근사 최적의 해를 도출할 수 있음.