[논문 리뷰] Survey and Taxonomy of Self-Aware and Self-Adaptive Autoscaling Systems in the Cloud.

Tao Chen, Rami Bahsoon|arXiv (Cornell University)|2016. 09. 12.

Cloud Computing and Resource Management참고 문헌 124인용 수 4

한 줄 요약

이 논문은 클라우드 컴퓨팅에서 자기 인식 및 자기 적응형 오토스케일링 시스템에 대한 종합적인 서베이와 분류 체계를 제시하며, 계산 지능이 런타임 동적 적응을 가능하게 하는 방식을 분석한다. 이는 클라우드 오토스케일링 프레임워크 내에서 성능 모델링, 자기 적응성, 시스템 신뢰성 분야의 핵심 연구 격차를 규명한다.

ABSTRACT

Autoscaling system can reconfigure cloud-based applications and services, through various cloud software configurations and hardware provisioning, to adapt to the changing environment at runtime. Such a behaviour offers the foundation to achieve elasticity in modern cloud computing paradigm. Given the importance of autoscaling in cloud, computational intelligence has been widely applied for engineering autoscaling system, leading to self-aware, self-adaptive and more dependable runtime scaling. In this paper, we present the brief background and history for autoscaling in the cloud, as well as their associations with self-awareness and self-adaptivity of a system. Subsequently, we conduct detailed survey and taxonomy of the key related work and identify the gaps in this area of research. Keywords-performance modeling, self-aware systems; selfadaptive systems; auto-scaling; cloud computing

연구 동기 및 목표

• 클라우드 컴퓨팅에서 오토스케일링의 기초 개요를 제공하고, 자기 인식 및 자기 적응형 능력으로 향한 그 발전 과정을 설명하는 것.
• 클라우드 환경에서 오토스케일링, 자기 인식 시스템, 자기 적응형 시스템 간의 역사적 및 기술적 연관성을 분석하는 것.
• 특히 성능 모델링 및 시스템 신뢰성 분야에서 현재 오토스케일링 접근 방식의 핵심 연구 격차를 규명하는 것.
• 자기 인식 및 자기 적응형 특성을 기반으로 기존 오토스케일링 시스템을 체계적으로 분류하는 분류 체계를 수립하는 것.
• 계산 지능의 응용 분야에서 미개척된 영역을 부각시켜 향후 연구를 이끌어내는 것.

제안 방법

• 클라우드 컴퓨팅에서 자기 인식 및 자기 적응형 오토스케일링 시스템 분야의 주요 논문들을 심층적으로 검토하는 문헌 서베이 수행.
• 런타임 적응을 위해 계산 지능 기법을 활용하는 방식에 따라 기존 오토스케일링 시스템을 분류하는 것.
• 클라우드 환경에서 자기 적응성을 가능하게 하는 시스템 아키텍처, 제어 메커니즘 및 피드백 루프 분석.
• 지각, 추론, 적응 구성 요소를 포함한 자기 인식 수준에 따라 시스템을 분류하는 것.
• 정확하고 민감한 오토스케일링 결정을 가능하게 하는 성능 모델링의 역할 평가.
• 발견된 결과를 종합하여 자기 적응형 오토스케일링 시스템의 다양한 유형을 구분할 수 있는 체계적인 분류 체계 수립.

실험 결과

연구 질문

• RQ1 자기 인식 및 자기 적응형 능력은 시간이 지남에 따라 클라우드 오토스케일링 시스템에서 어떻게 진화해 왔는가?
• RQ2 클라우드 오토스케일링에서 자기 적응성을 가능하게 하는 핵심 아키텍처 및 알고리즘 구성 요소는 무엇인가?
• RQ3 현재 오토스케일링 시스템은 동적 자원 할당을 지원하기 위해 성능 모델링을 어떻게 통합하고 있는가?
• RQ4 디자인 및 기능 측면에서 자기 인식 및 자기 적응형 오토스케일링 시스템 간의 주요 차이는 무엇인가?
• RQ5 클라우드 환경에서 신뢰성 있고 지능적인 오토스케일링 시스템 개발을 둘러싸고 여전히 남아 있는 핵심 연구 격차는 무엇인가?

주요 결과

• 현재 많은 오토스케일링 시스템이 고급 계산 지능 기법보다는 히우리스틱 또는 규칙 기반 접근 방식에 의존하고 있다.
• 오토스케일링 분야에서 자기 인식 시스템은 여전히 개발이 부족하며, 지각, 추론, 적응 레이어의 통합이 제한되어 있다.
• 기존 시스템에서는 성능 모델링이 종종 단순화되거나 전혀 존재하지 않아 정확성과 반응성에 악영향을 미친다.
• 자기 적응형 오토스케일링 시스템에 대한 표준화된 평가 기준과 벤치마킹 프레임워크의 부재.
• 분류 체계는 자기 적응 메커니즘과 지능 수준에 따라 오토스케일링 시스템의 명확한 유형을 드러낸다.
• 실시간 의사결정 및 장기적 시스템 내성성 확보를 위한 완전한 자기 인식 달성에 있어 여전히 연구 격차가 존재한다.