[논문 리뷰] Scalarization Methods for Many-Objective Virtual Machine Placement of Elastic Infrastructures in Overbooked Cloud Computing Data Centers Under Uncertainty

Augusto Amarilla|arXiv (Cornell University)|2018. 02. 12.

Cloud Computing and Resource Management참고 문헌 27인용 수 4

한 줄 요약

이 논문은 불확실성 하에서 오버부킹된 클라우드 데이터센터에서 다목적 가상 머신 배치를 위한 이중 단계 스칼라화 방법을 제안한다. 스칼라화 방법으로 원점까지의 유클리드 거리를 사용하며, 시뮬레이션 결과 이 방법이 전력 소비를 최소화하고 자원 활용도를 향상시키는 데 있어 다른 방법보다 뛰어나다는 것을 입증한다. 히وري스틱과 VM 이주 기능을 갖춘 메믹 알고리즘을 통한 효과적인 오프라인 최적화를 통해 우수한 성능을 보였다.

ABSTRACT

Cloud computing datacenters provide thousands to millions of virtual machines (VMs) on-demand in highly dynamic environments, requiring quick placement of requested VMs into available physical machines (PMs). Due to the randomness of customer requests, the Virtual Machine Placement (VMP) should be formulated as an online optimization problem. The first part of this work analyzes alternatives to solve the formulated problem, an experimental comparison of five different online deterministic heuristics against an offline memetic algorithm with migration of VMs was performed, considering several experimental workloads. Simulations indicate that First-Fit Decreasing algorithm (A4) outperforms other evaluated heuristics on average. This work presents a two-phase schema formulation of a VMP problem considering the optimization of three objective functions in an IaaS environment with elasticity and overbooking capabilities. The two-phase schema formulation describes that the allocation of the VMs can be separated into two sub-problems, the incremental allocation (iVMP) and the reconfiguration of a placement (VMPr). To analyze alternatives to solve the formulated problem, an experimental comparison of three different objective function scalarization methods as part of the iVMP and VMPr was performed considering several experimental workloads. Simulations indicate that the Euclidean distance to origin outperforms other evaluated scalarization methods on average. In order to portray the dynamic nature of an IaaS environment a customizable workload trace generator was developed to simulate uncertainty in the scenarios with elasticity and overbooking of resources in VM requests. Experimental results proved that the Euclidean distance is preferable over the other scalarizatiom methods to improve the values of the power consumption objective function.

연구 동기 및 목표

• 탄성과 불확실성을 고려한 다이나믹한 다목적 가상 머신 배치(VMP) 문제를 해결하기 위한 것이다.
• 공급자 중심의 VMP 설정에서 전력 소비, 경제적 수익, 서비스 품질, 자원 활용도의 네 가지 핵심 목표를 최적화하기 위한 것이다.
• 다양한 동적 온라인 환경에서 다목적 VMP 문제를 단일 목표 최적화로 변환하기 위한 스칼라화 방법의 평가 및 비교를 위한 것이다.
• 실제 세계의 불확실성, 탄성, 오버부킹을 반영하기 위해 사용자 정의 워크로드 트레이서 생성기를 개발하기 위한 것이다.
• 온라인 히وري스틱과 VM 이주 기능을 갖춘 오프라인 메믹 알고리즘을 기준으로 스칼라화 기법의 성능을 평가하기 위한 것이다.

제안 방법

• 할당과 최적화를 분리하기 위해 증분 VM 배치(iVMP)와 기존 배치 재구성(VMPr)을 단계별로 적용하는 이중 단계 VMP 체계를 수립한다.
• 다목적 문제를 단일 목표 최적화 문제로 변환하기 위해 가중치 합, 체비셰프 거리, 원점까지의 유클리드 거리의 세 가지 스칼라화 방법을 적용한다.
• 실제 세계의 불확실성을 반영하기 위해 확률적이고 탄성 있는, 오버부킹된 VM 요청을 시뮬레이션하기 위해 사용자 정의 클라우드 워크로드 트레이서 생성기(CWTG)를 활용한다.
• VM 이주 기능을 갖춘 메믹 알고리즘을 오프라인 최적화에 사용하며, 온라인 히وري스틱의 성능 기준이 되는 벤치마크로 기능한다.
• 다섯 가지 온라인 결정론적 히وري스틱(예: First-Fit, Best-Fit, First-Fit Decreasing)을 평가하고, 오프라인 메믹 솔루션과 비교한다.
• 다양한 워크로드를 대상으로 시뮬레이션 기반 실험을 수행하여 스칼라화 방법의 성능을 전력 소비, 수익, 활용도 측면에서 평가한다.

실험 결과

연구 질문

• RQ1 가중치 합, 체비셰프 거리, 원점까지의 유클리드 거리 중 어떤 스칼라화 방법이 불확실성 하에서 다목적 VMP에서 전력 소비를 최소화하고 자원 활용도를 향상시키는 데 가장 우수한 트레이드오프를 제공하는가?
• RQ2 VM 이주 기능을 갖춘 오프라인 메믹 알고리즘과 비교할 때, 온라인 히وري스틱(예: First-Fit Decreasing)의 솔루션 품질과 재구성 비용은 어떻게 다른가?
• RQ3 오프라인 환경에서 VM 이주를 사용할 경우 정적 배치에 비해 VMP 솔루션의 품질은 어느 정도 향상되는가?
• RQ4 제안된 CWTG는 VMP 알고리즘 평가를 위한 실제적인 탄성과 오버부킹된 클라우드 워크로드를 얼마나 잘 시뮬레이션하는가?
• RQ5 이중 단계 체계(iVMP + VMPr)는 동적 할당과 재구성 간의 효과적인 분리를 통해 실시간 환경에서 확장 가능하고 적응 가능한 VMP를 실현할 수 있는가?

주요 결과

• 모든 평가 워크로드에서 원점까지의 유클리드 거리 스칼라화 방법이 가중치 합 및 체비셰프 거리 방법보다 전력 소비를 최소화하는 데 뛰어나다는 것이 입증되었다.
• 다섯 가지 온라인 히وري스틱 중에서 First-Fit Decreasing(FFD) 알고리즘이 평균 솔루션 품질 측면에서 가장 우수했으며, 특히 자원 활용도와 전력 효율성의 균형을 잘 유지했다.
• VM 이주 기능을 갖춘 오프라인 메믹 알고리즘이 온라인 히وري스틱보다 훨씬 높은 솔루션 품질을 제공했으며, 장기 목표 최적화를 위한 재구성의 가치를 입증했다.
• 이중 단계 체계는 증분 배치와 재구성 간의 효과적인 분리를 실현했으며, 변화하는 워크로드에 대한 동적 적응과 최적화의 정밀도를 유지하는 데 기여했다.
• 사용자 정의 CWTG는 실제적이고 탄성 있으며 오버부킹된 워크로드를 성공적으로 생성하여 클라우드 환경에서의 불확실성 시뮬레이션을 유효하게 가능하게 했다.
• 시뮬레이션 결과, 원점까지의 유클리드 거리 기반 스칼라화가 전력 소비를 줄이되 자원 활용도나 수익을 희생시키지 않는 바람직한 트레이드오프를 제공함을 확인했다.