[논문 리뷰] Performance-Aware Management of Cloud Resources: A Taxonomy and Future Directions

Sara Kardani Moghaddam, Rajkumar Buyya외 1명|arXiv (Cornell University)|2018. 08. 07.

Software System Performance and Reliability참고 문헌 65인용 수 9

한 줄 요약

이 논문은 성능 인지 클라우드 자원 관리에 대한 종합적인 분류 체계와 향후 연구 방향을 제안하며, 이상 탐지 및 워크로드 예측과 같은 데이터 분석 기법을 동적 자원 조정(자동 스케일링)과 통합한다. 실시간 모니터링, 적응형 설정, 애플리케이션별 탐지 정확도와 같은 핵심 과제를 규명하며, 동적 클라우드 환경에서 SLA를 유지하기 위해 종단 간, 데이터 기반, 적응형 시스템의 필요성을 강조한다.

ABSTRACT

Dynamic nature of the cloud environment has made distributed resource management process a challenge for cloud service providers. The importance of maintaining the quality of service in accordance with customer expectations as well as the highly dynamic nature of cloud-hosted applications add new levels of complexity to the process. Advances to the big data learning approaches have shifted conventional static capacity planning solutions to complex performance-aware resource management methods. It is shown that the process of decision making for resource adjustment is closely related to the behaviour of the system including the utilization of resources and application components. Therefore, a continuous monitoring of system attributes and performance metrics provide the raw data for the analysis of problems affecting the performance of the application. Data analytic methods such as statistical and machine learning approaches offer the required concepts, models and tools to dig into the data, find general rules, patterns and characteristics that define the functionality of the system. Obtained knowledge form the data analysis process helps to find out about the changes in the workloads, faulty components or problems that can cause system performance to degrade. A timely reaction to performance degradations can avoid violations of the service level agreements by performing proper corrective actions including auto-scaling or other resource adjustment solutions. In this paper, we investigate the main requirements and limitations in cloud resource management including a study of the approaches in workload and anomaly analysis in the context of the performance management in the cloud. A taxonomy of the works on this problem is presented which identifies the main approaches in existing researches from data analysis side to resource adjustment techniques.

연구 동기 및 목표

• 서비스 수준 합의(SLA) 준수를 유지하면서도 동적 클라우드 워크로드를 관리하는 데 증가하는 복잡성에 대응한다.
• 다양하고 비정형적인 클라우드 워크로드 환경에서 기존 정적 및 히우리스틱 기반 자원 관리 접근법의 한계를 규명한다.
• 이상 탐지 및 워크로드 예측과 같은 데이터 분석 기법을 자동 자원 조정(자동 스케일링)과 통합하여 종합적인 성능 관리를 실현한다.
• 실시간 민감도, 적응형 설정, 애플리케이션별 탐지 정확도 간의 트레이드오프에 대한 연구 격차를 부각한다.
• 미래 연구 지침을 위한 데이터 수집, 분석, 자원 조정을 포함하는 체계적인 분류 체계를 제공한다.

제안 방법

• 아키텍처, 데이터 정밀도, 성능 문제 유형, 자원 관리 조치 기반으로 접근법을 다차원적으로 분류하는 분류 체계를 제안한다.
• 워크로드 분석, 이상 탐지, 자동 스케일링 분야의 기존 연구를 조사하며, 데이터 분석과 자원 관리 간의 통합에 중점을 둔다.
• 데이터 기반 의사결정 파이프라인 분석: 모니터링 → 데이터 수집 → 분석(통계 및 머신러닝) → 시정 조치.
• 빅데이터 분석이 시스템 메트릭에서 패턴, 추세, 성능 저하 징후를 밝혀내는 데서 수행하는 역할을 강조한다.
• 변화하는 클라우드 워크로드에 대응하기 위해 동적 임계값 조정과 학습 모델의 자동 설정이 필요하다고 제안한다.
• 자원 관리의 계획 및 조치 선택을 향상시키기 위해 피드백 루프를 갖춘 통합된 이상 원인 추론을 주장한다.

실험 결과

연구 질문

• RQ1 데이터 분석 기법을 자동 자원 관리와 효과적으로 통합하여 클라우드 성능 향상과 SLA 준수를 어떻게 향상시킬 수 있는가?
• RQ2 실제 클라우드 환경에 적용했을 때 기존 이상 탐지 및 워크로드 예측 방법의 핵심 한계는 무엇인가?
• RQ3 동적 설정과 적응형 임계값 조정은 클라우드 모니터링에서 머신러닝 모델의 성능을 어떻게 향상시킬 수 있는가?
• RQ4 실시간, 애플리케이션 인지 이상 탐지 및 원인 추론의 핵심 격차는 무엇인가?
• RQ5 불균형한 클라우드 성능 데이터에서 AUC와 PRAUC와 같은 탐지 정확도 지표는 어떻게 비교되며, 어떤 것이 실전 환경에 더 적합한가?

주요 결과

• 기존 접근법은 일반적으로 데이터 분석과 자원 관리를 별개의 모듈로 간주하여 종단 간 통합이 부족하다.
• 기존의 정적 설정 방식의 이상 탐지 및 스케일링 알고리즘은 클라우드 워크로드의 동적 특성에 대응하지 못한다.
• 이상 원인 추론은 아직도 거시적이고 계획 모듈과 연결되어 있지 않아 시정 조치의 효과를 제한한다.
• 정상 및 이상 데이터 인스턴스 간의 불균형은 AUC와 같은 표준 평가 지표를 왜곡시키며, 이로 인해 PRAUC가 실세계 클라우드 응용 프로그램에 더 적합한 지표가 된다.
• 자동 스케일링 시스템의 현실적인 성능 평가는 분산 컴포넌트 간 복잡한 상호작용이 존재하므로 실제 환경에 배포되어야 한다.
• 향후 연구는 특히 디스크 장애 복구와 같은 고비용 복구 조치에 대해 애플리케이션 특화 탐지 정확도 간 트레이드오프를 우선적으로 고려해야 한다.