[논문 리뷰] To Reserve or Not to Reserve: Optimal Online Multi-Instance Acquisition in IaaS Clouds

Wei Wang, Baochun Li외 1명|arXiv (Cornell University)|2013. 05. 24.

Optimization and Search Problems참고 문헌 20인용 수 44

한 줄 요약

이 논문은 향후 수요 지식이 없이 IaaS 클라우드에서 최적의 다중 인스턴스 확보를 위한 두 가지 온라인 알고리즘—결정론적 및 확률론적—을 제안한다. 알고리즘은 각각 $2 - \alpha$ 및 $e/(e-1 + \alpha)$의 경쟁 비율을 확보하며, 이는 최적이며 실제 EC2 가격 체계 하에서 온디맨드 가격 대비 비용을 크게 절감한다.

ABSTRACT

Infrastructure-as-a-Service (IaaS) clouds offer diverse instance purchasing options. A user can either run instances on demand and pay only for what it uses, or it can prepay to reserve instances for a long period, during which a usage discount is entitled. An important problem facing a user is how these two instance options can be dynamically combined to serve time-varying demands at minimum cost. Existing strategies in the literature, however, require either exact knowledge or the distribution of demands in the long-term future, which significantly limits their use in practice. Unlike existing works, we propose two practical online algorithms, one deterministic and another randomized, that dynamically combine the two instance options online without any knowledge of the future. We show that the proposed deterministic (resp., randomized) algorithm incurs no more than 2-alpha (resp., e/(e-1+alpha)) times the minimum cost obtained by an optimal offline algorithm that knows the exact future a priori, where alpha is the entitled discount after reservation. Our online algorithms achieve the best possible competitive ratios in both the deterministic and randomized cases, and can be easily extended to cases when short-term predictions are reliable. Simulations driven by a large volume of real-world traces show that significant cost savings can be achieved with prevalent IaaS prices.

연구 동기 및 목표

• 시간에 따라 변하는 워크로드 하에서 IaaS 클라우드에서 온디맨드 인스턴스와 레이티드 인스턴스를 동적으로 조합하여 비용을 최소화하는 데 도전한다.
• 장기 수요 예측이나 정확한 미래 수요 지식을 필요로 하는 기존 전략의 한계를 극복한다.
• 미래 수요 지식 없이 실시간으로 예약 결정을 내릴 수 있는 실용적인 온라인 알고리즘을 설계한다.
• 다중 인스턴스 예약 설정에서 결정론적 및 확률론적 온라인 알고리즘의 최고 경쟁 비율을 확립한다.
• 단기 수요 예측이 가능한 경우로 알고리즘을 확장하고, 실제 트레이스를 사용하여 성능을 평가한다.

제안 방법

• 동적 프로그래밍을 사용하여 최적의 오프라인 예약 전략을 수립하고, 경쟁 분석의 기준이 되는 벤치마크로 활용한다.
• 현재 수요와 할인 요소 $\alpha$에 기반해 예약 결정을 내리는 결정론적 온라인 알고리즘을 설계하여 $2 - \alpha$의 경쟁 비율을 달성한다.
• 확률적 의사결정을 사용해 예측적으로 경쟁 비율을 $e/(e-1 + \alpha)$로 향상시키는 확률론적 온라인 알고리즘을 개발한다.
• 두 알고리즘이 각각의 클래스에서 최고의 경쟁 비율을 달성함을 증명하여 이론적 최적성을 확립한다.
• 예측된 수요 윈도우를 포함하도록 의사결정 규칙을 수정하여 단기 수요 예측을 통합할 수 있도록 알고리즘을 확장한다.
• 40GB의 실제 Google 클러스터 사용 트레이스를 활용한 대규모 시뮬레이션을 수행하여 Amazon EC2 가격 체계 하에서의 비용 절감 효과를 평가한다.

실험 결과

연구 질문

• RQ1 향후 수요 지식 없이도 IaaS 클라우드에서 온디맨드 및 레이티드 인스턴스를 동적으로 조합하여 거의 최적의 비용을 달성할 수 있는 온라인 알고리즘이 존재하는가?
• RQ2 IaaS 다중 인스턴스 예약 문제에서 결정론적 온라인 알고리즘이 달성할 수 있는 최고의 경쟁 비율은 무엇인가?
• RQ3 IaaS 다중 인스턴스 예약 문제에서 확률론적 온라인 알고리즘이 달성할 수 있는 최고의 경쟁 비율은 무엇인가?
• RQ4 실제 클라우드 사용 트레이스에 적용했을 때 제안된 알고리즘은 실제로 얼마나 잘 작동하는가?
• RQ5 이론적 보장을 잃지 않고 단기 수요 예측을 활용할 수 있도록 알고리즘을 확장할 수 있는가?

주요 결과

• 결정론적 온라인 알고리즘은 다중 인스턴스 예약 문제에 대해 모든 결정론적 알고리즘 중 최적인 $2 - \alpha$의 경쟁 비율을 달성한다.
• 확률론적 온라인 알고리즘은 예측적으로 $e/(e-1 + \alpha)$의 경쟁 비율을 달성하며, 이는 이 설정에서 최적의 확률론적 알고리즘에 해당한다.
• Amazon EC2 가격 체계($\alpha \approx 0.51$) 하에서 결정론적 알고리즘은 최적의 오프라인 비용의 1.51배 이내로 비용을 보장한다.
• 동일한 가격 체계 하에서 확률론적 알고리즘은 예측적으로 최적의 오프라인 비용의 1.23배 이내로 비용을 보장한다.
• 실제 Google 클러스터 트레이스를 사용한 시뮬레이션 결과, 순수 온디맨드 또는 히우리스틱 예약 전략 대비 뚜렷한 비용 절감 효과를 보였다.
• 신뢰할 수 있는 단기 수요 예측이 가능한 시나리오로 알고리즘을 효과적으로 확장할 수 있으며, 이는 비용 효율성을 추가로 향상시킨다.