[논문 리뷰] Workload Trace Generation for Dynamic Environments in Cloud Computing

Jammily Ortigoza, Fabio López Pires외 1명|arXiv (Cornell University)|2015. 07. 01.

Cloud Computing and Resource Management참고 문헌 13인용 수 5

한 줄 요약

이 논문은 클라우드 컴퓨팅 환경에서 가상 머신 배치(Virtual Machine Placement, VMP)를 위한 16개의 동적 환경에 대한 종합적인 분류 체계를 제안한다. 이는 수평적, 수직적, 또는 둘 다의 탄력성 유형과 서버 또는 네트워크 자원의 과도할당 여부에 따라 분류된다. 또한 시간에 따라 변하는 VM 자원 사용도 지표(CPU, RAM, 네트워크)를 사용한 워크로드 트레이스 생성을 위한 형식적 프레임워크를 도입하여, 향후 VMP 연구 및 최적화를 위한 현실적인 동적 클라우드 워크로드 시뮬레이션을 가능하게 한다.

ABSTRACT

Cloud computing datacenters provide millions of virtual machines in actual cloud markets. In this context, Virtual Machine Placement (VMP) is one of the most challenging problems in cloud infrastructure management, considering the large number of possible optimization criteria and different formulations that could be studied. Considering the on-demand model of cloud computing, the VMP problem should be optimized dynamically to efficiently attend typical workload of modern applications. This work proposes several dynamic environments for solving the VMP from the providers' perspective based on the most relevant dynamic parameters studied so far in the VMP literature. A complete set of environments and workload traces examples are presented in this work.

연구 동기 및 목표

• 클라우드 서비스 제공자(CSP) 시점에서 동적 환경의 종합적 특성화 부족 문제를 해결하기 위해.
• 기존의 VMP 분류 체계를 수평적, 수직적 탄력성 및 자원 과도할당과 같은 동적 매개변수를 통합하여 확장하기 위해.
• 실제 클라우드 환경에서 시간에 따라 변하는 VM 자원 사용도(CPU, RAM, 네트워크)를 반영하는 형식적 워크로드 트레이스 생성 프레임워크를 제공하기 위해.
• 향후 동적 VMP 연구를 지원하기 위해 16개의 동적 환경 중 4개를 상세히 제시하기 위해.
• 다양하고 현실적인 워크로드 조건 하에서 VMP 알고리즘의 보다 정확한 시뮬레이션 및 평가를 가능하게 하기 위해.

제안 방법

• 논문은 탄력성 유형(수평, 수직, 둘 다, 없음)과 과도할당 유형(서버, 네트워크, 둘 다, 없음)이라는 두 가지 이진 요소를 기반으로 한 4차원 분류 체계를 도입하여 동적 VMP 환경을 분류한다.
• VM 자원 사용도를 세 가지 지표인 CPU(단위: ECU), RAM(단위: GB), 네트워크(단위: Mbps)를 사용하여 형식적으로 정의하며, 이를 $ U''_{bcj} = \{Ucpu''_{bcj}, Uram''_{bcj}, Unet''_{bcj}\} $ 로 표현한다.
• 시간에 따라 변하는 자원 수요를 통해 동적 행동을 모델링하며, 이는 이산 시간 간격 $ t $ 동안 사용도 값이 변화하여 실제 워크로드 변동을 반영한다.
• 저자는 탄력성과 과도할당의 다양한 조합이 VM 배치 동적 특성에 미치는 영향을 보여주기 위해 네 가지 상세 사례 연구(환경 (0,1), (0,2), (1,0), 및 (2,0))를 제시한다.
• VM 요청, 자원 요구사항, 사용도 패턴을 시간에 따라 인코딩하여 워크로드 트레이스 생성을 지원함으로써, 복잡한 클라우드 워크로드의 시뮬레이션을 가능하게 한다.
• 이 방법은 84개의 관련 VMP 연구에 대한 체계적인 문헌 고찰을 기반으로 하여, 기존의 동적 VMP 수식화 연구와의 일관성을 확보한다.

실험 결과

연구 질문

• RQ1 클라우드 컴퓨팅 환경에서 클라우드 서비스 제공자(CSP) 시점에서 가상 머신 배치(VMP)에 영향을 미치는 주요 동적 매개변수는 무엇인가?
• RQ2 탄력성 및 자원 과도할당 특성에 기반하여 동적 VMP 환경을 체계적으로 분류할 수 있는 방법은 무엇인가?
• RQ3 실제 클라우드 워크로드에서 정적, 반정적, 완전 동적 VMP 수식화 간의 구조적 및 행동적 차이는 무엇인가?
• RQ4 CPU, RAM, 네트워크 전반에 걸쳐 시간에 따라 변하는 VM 자원 사용도 패턴을 반영할 수 있는 형식적 워크로드 트레이스 생성 방법은 무엇인가?
• RQ5 수평적 및 수직적 탄력성을 서버 및 네트워크 과도할당과 조합할 경우 VMP 시뮬레이션 및 최적화에 미치는 영향는 무엇인가?

주요 결과

• 연구는 탄력성(수평, 수직, 둘 다, 없음)과 과도할당(서버, 네트워크, 둘 다, 없음)의 조합을 통해 16개의 고유한 동적 VMP 환경을 규명하였다.
• 프레임워크는 세 가지 지표를 사용하여 VM 자원 사용도를 형식화하였으며, CPU(단위: ECU), RAM(단위: GB), 네트워크(단위: Mbps)로 표현되며, 이는 이산 시간 단위에서 시간에 따라 변하는 값을 가진다.
• 예시 환경들은 VM 수가 일정한 동안에도 서버 및 네트워크 자원의 과도할당이 동적 사용도 패턴을 유도함을 보여준다.
• 수평적 탄력성은 시간에 따라 VM 수의 변화로 모델링되며, 환경 (1,0)에서 시간 간격 사이에 VM 요청 수가 4에서 6으로 증가함으로써 이를 확인할 수 있다.
• 수직적 탄력성은 환경 (2,0)에서 개별 VM의 CPU 및 RAM 요구량이 시간에 따라 증가함으로써 구현되며, 이는 기존 VM의 확장(스케일업)을 반영한다.
• 나머지 12개의 환경는 네 가지 기본 사례를 조합하여 유도되며, 이는 프레임워크가 워크로드 트레이스 생성에 있어 확장 가능하고 종합적임을 보여준다.