[논문 리뷰] Workload Classification & Software Energy Measurement for Efficient Scheduling on Private Cloud Platforms

James W. Smith, Ian Sommerville|arXiv (Cornell University)|2011. 05. 12.

Cloud Computing and Resource Management참고 문헌 10인용 수 18

한 줄 요약

이 논문은 훈련 단계 동안 자원 사용량(프로세서, 메모리, 디스크, 네트워크)과 에너지 소비 간의 상관관계를 분석하여 소프트웨어 기반 도구인 CloudMonitor를 제안한다. 이 도구는 하드웨어 전력계량 장치 없이도 95% 이상의 정확도로 서버 전력 소비를 예측할 수 있다. 이를 통해 사설 클라우드 환경에서 에너지 인식 기반 가상 머신 스케줄링이 가능해진다. 전력 분배 장치(PDU)에서 수집한 실제 전력 데이터를 기반으로 동적 회귀 모델을 훈련시킨다.

ABSTRACT

At present there are a number of barriers to creating an energy efficient workload scheduler for a Private Cloud based data center. Firstly, the relationship between different workloads and power consumption must be investigated. Secondly, current hardware-based solutions to providing energy usage statistics are unsuitable in warehouse scale data centers where low cost and scalability are desirable properties. In this paper we discuss the effect of different workloads on server power consumption in a Private Cloud platform. We display a noticeable difference in energy consumption when servers are given tasks that dominate various resources (CPU, Memory, Hard Disk and Network). We then use this insight to develop CloudMonitor, a software utility that is capable of >95% accurate power predictions from monitoring resource consumption of workloads, after a "training phase" in which a dynamic power model is developed.

연구 동기 및 목표

• 사설 클라우드 데이터센터에서 확장 가능하고 저비용의 에너지 모니터링의 부족을 해결하기 위해.
• 다양한 워크로드와 서버 전력 소비 간의 관계를 조사하기 위해.
• 비싼 하드웨어 전력계량 장치에 의존하지 않는 정확한 전력 예측을 위한 소프트웨어 기반 솔루션을 개발하기 위해.
• 워크로드의 자원 집중도 기반 분류와 에너지 영향 예측을 통해 에너지 효율적인 워크로드 스케줄링을 가능하게 하기 위해.

제안 방법

• 실제 전력 측정치를 PDU에서 확보하고 동시에 발생하는 자원 사용량 스냅샷을 기반으로 동적 전력 모델을 훈련한다.
• Eucalyptus 기반 사설 클라우드 환경에서 가상 머신의 3초 간격 자원 활용도 샘플(CPU, 메모리, 디스크, 네트워크)을 수집한다.
• 훈련 단계 동안 자원 소비 패턴과 실제 전력 소모 간의 상관관계를 분석하기 위해 회귀 분석을 수행한다.
• 실시간 자원 모니터링 기반으로 전력 소비를 예측하는 소프트웨어 유틸리티인 CloudMonitor를 개발한다.
• 편집 가능한 XML 메타데이터를 통해 워크로드 프로파일(CPU, 메모리, 디스크, 네트워크 집중형)을 VM 생성 요청에 통합한다.
• Eucalyptus 스케줄러를 재작성하여 예측된 에너지 영향과 자원 호환성을 기반으로 VM을 할당하도록 한다.

실험 결과

연구 질문

• RQ1 사설 클라우드 환경에서 CPU, 메모리, 디스크, 네트워크 집중형 워크로드의 각 유형이 서버 전력 소비에 어떻게 영향을 미치는가?
• RQ2 하드웨어 전력계량 장치 없이도 소프트웨어 기반 전력 예측이 에너지 인식 기반 스케줄링을 뒷받침할 수 있을 정도의 정확도를 확보할 수 있는가?
• RQ3 가상화된 서버에서 자원 활용도 패턴과 실제 에너지 소비 간의 관계는 어떠한가?
• RQ4 소프트웨어로 모니터링한 자원 사용량에서 동적 회귀 모델이 전력 소비를 얼마나 정확하게 예측할 수 있는가?
• RQ5 워크로드 분류 및 프로파일링을 통해 전체 시스템의 에너지 소비를 줄이기 위한 스케줄링 결정을 개선할 수 있는가?

주요 결과

• CPU, 메모리, 디스크, 네트워크 집중형 워크로드는 각각 고유한 에너지 프로파일을 보이며, 전력 소비 패턴이 상당히 다름을 보인다.
• CloudMonitor는 자원 및 전력 데이터에 기반한 회귀 모델을 사용하여 훈련 단계 후 95% 이상의 정확도로 전력 소비를 예측한다.
• 전력 예측 모델의 표준 오차 범위는 5% 이내이며, 이는 스케줄링 목적에 있어 허용 가능한 수준이다.
• StACC 사설 클라우드의 워크로드는 일반적으로 하나의 자원 유형에 집중되어 있어 주로 자원 사용의 우세한 유형에 기반한 정확한 프로파일링이 가능하다.
• 자원 집중형 VM을 상보적인 워크로드(예: CPU와 디스크)와 조합하면 성능과 에너지 효율성이 향상된다.
• 초기 워크로드 프로파일에 기반한 오프라인 정적 스케줄링 방식을 사용함으로써 VM 이동에 따른 성능 저하를 피할 수 있다.