[論文レビュー] Combination of Convolutional Neural Network and Gated Recurrent Unit for Energy Aware Resource Allocation

Zeinab Khodaverdian, Hossein Sadr+2 more|arXiv (Cornell University)|Jun 23, 2021

Cloud Computing and Resource Management参考文献 61被引用数 5

ひとこと要約

本論文では、クラウドデータセンター内の仮想マシン（VM）の遅延感受性に基づき、エネルギー効率の良いリソース割り当てを可能にするために、ハイブリッドCNN-GRUモデルを提案する。マイクロソフトAzureのデータセットを活用することで、VMの分類に95.18%の正確性を達成し、従来の手法を著しく上回り、SLA違反を最小限に抑えつつエネルギー消費を削減するためのVMの統合を効率的に行える。

ABSTRACT

Cloud computing service models have experienced rapid growth and inefficient resource usage is known as one of the greatest causes of high energy consumption in cloud data centers. Resource allocation in cloud data centers aiming to reduce energy consumption has been conducted using live migration of Virtual Machines (VMs) and their consolidation into the small number of Physical Machines (PMs). However, the selection of the appropriate VM for migration is an important challenge. To solve this issue, VMs can be classified according to the pattern of user requests into sensitive or insensitive classes to latency, and thereafter suitable VMs can be selected for migration. In this paper, the combination of Convolution Neural Network (CNN) and Gated Recurrent Unit (GRU) is utilized for the classification of VMs in the Microsoft Azure dataset. Due to the fact the majority of VMs in this dataset are labeled as insensitive to latency, migration of more VMs in this group not only reduces energy consumption but also decreases the violation of Service Level Agreements (SLA). Based on the empirical results, the proposed model obtained an accuracy of 95.18which clearly demonstrates the superiority of our proposed model compared to other existing models.

研究の動機と目的

• 無効なリソース使用に起因するクラウドデータセンターにおける高いエネルギー消費を是正すること。
• VMの遅延感受性に基づき、ライブマイグレーションの対象となるVMを知的に選択することで、エネルギーに配慮したリソース割り当てを改善すること。
• VMの統合を通じてエネルギー消費を削減し、サービスレベル契約（SLA）違反を最小限に抑えること。
• VMを遅延感受性あり・なしに正確に分類する機械学習モデルを開発し、最適なマイグレーション意思決定を可能とすること。
• ハイブリッドCNN-GRUアーキテクチャが、エネルギーに配慮したクラウド管理のためのVMワークロード分類において、従来のモデルを上回ることを実証すること。

提案手法

• 提案されたモデルは、時系列ワークロードパターンからの空間的特徴抽出に畳み込みニューラルネットワーク（CNN）を、時間的依存関係の順序モデリングにゲート付き再帰ユニット（GRU）を組み合わせる。
• 入力データは、Microsoft Azureデータセットからの過去のCPUおよびメモリ使用率トレースであり、VMワークロードを表している。
• CNNレイヤーは入力シーケンスからの関連する空間的特徴を抽出し、その後GRUレイヤーがVMリクエストパターンにおける長期的依存関係をモデル化する。
• 分類ヘッドは、VMが遅延感受性か否かの確率を出力し、マイグレーション意思決定を支援する。
• エンドツーエンドで訓練され、交差エントロピー損失を用い、Adam最適化アルゴリズムにより分類正確性を最大化する。
• 実世界のワークロードトレースを用いてアーキテクチャの性能を評価し、エネルギー効率の良い統合のためのVM分類性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドCNN-GRUモデルは、ワークロードパターンに基づき、VMを遅延感受性あり・なしに効果的に分類できるか？
• RQ2 提案されたCNN-GRUモデルは、クラウド環境におけるVM分類において、従来の機械学習モデルと比較してどの程度正確性に優れているか？
• RQ3 正確なVM分類によって、最適化されたライブマイグレーションを通じて、クラウドデータセンターにおけるエネルギー消費をどの程度削減できるか？
• RQ4 ほとんどのVMが遅延感受性なしとラベル付けされているデータセットの不均衡にもかかわらず、モデルは高い正確性を維持できるか？
• RQ5 遅延感受性ワークロードのマイグレーションを回避することで、モデルはSLA準拠を維持できるか？

主な発見

• 提案されたCNN-GRUモデルは、Microsoft Azureデータセットで95.18%の分類正確性を達成し、VMの遅延感受性を特定する上で優れた性能を示した。
• モデルは、VM分類において従来のベースラインモデルを著しく上回り、複雑なワークロードパターンを効果的に捉えられることを示した。
• 高い正確性により、遅延感受性なしのVMが信頼性高く特定可能となり、これにより物理マシンを少ない台数に統合して安全にマイグレーションできる。
• 遅延感受性なしのVMを優先してマイグレーションすることで、SLA違反リスクを増加させることなく、顕著なエネルギー節約が可能になった。
• CNNによる空間的特徴抽出とGRUによる時間的モデリングの組み合わせが、クラウドリソース管理における分類性能を向上させることを確認した。
• 不均衡なデータセットにおいてもモデルの頑健性が確認されたため、大多数のVMが遅延感受性なしである実世界のクラウド環境において実用的であることが示唆された。