[论文解读] Energy-aware Application Scaling on a Cloud

Ashkan Paya, Dan C. Marinescu|arXiv (Cornell University)|Jul 12, 2013

Cloud Computing and Resource Management参考文献 16被引用 4

一句话总结

本文提出了一种面向云环境的能量感知资源扩展算法，通过最大化处于节能‘最优区域’的服务器数量，同时最小化处于次优或不良状态的服务器数量，优化服务器运行。通过整合负载均衡、准入控制和动态扩展决策——尤其偏好让轻载服务器进入睡眠状态——该算法在不牺牲响应能力的前提下，将能耗降低了高达30%，其有效性已在多种工作负载和集群规模的仿真中得到验证。

ABSTRACT

Cloud elasticity - the ability to use as much resources as needed at any given time - and low cost - a user pays only for the resources it consumes - represent solid incentives for many organizations to migrate some of their computational activities to a public cloud. As the interest in cloud computing grows, so does the size of the cloud computing centers and their energy footprint. The realization that power consumption of cloud computing centers is significant and it is expected to increase substantially in the future motivates our interest in scheduling and scaling algorithms which minimize power consumption. We propose energy-aware application scaling and resource management algorithms. Though targeting primarily the Infrastructure as a Service (IaaS), the system models and the algorithms we propose can be applied to the other cloud delivery models and to private clouds.

研究动机与目标

• 为应对大规模云数据中心不断增长的能耗问题，这些数据中心在2006年美国消耗了610亿千瓦时的电力，预计到2030年将攀升至10,300太瓦时/年。
• 设计一种资源管理系统，平衡能源效率与对扩展请求的响应能力，特别是在基础设施即服务（IaaS）环境中。
• 通过识别并促进在功耗最优的服务器区域运行，同时减少处于次优或不良状态的时间，以最小化总能耗。
• 通过将大多数扩展决策本地化，减少与集群主节点的通信开销，实现在集群化云架构中的可扩展、去中心化决策。

提出的方法

• 作者基于功耗与性能权衡，定义了五种服务器运行区域：两种不良区域、两种次优区域和一种最优区域。
• 开发了一种能量感知运行模型，用于指导何时进行垂直扩展或水平扩展，或切换服务器至睡眠模式。
• 该算法采用分层决策框架，包含三个层级：本地决策（在单个服务器上执行）、集群级协调（由集群主节点执行）以及跨集群的全局协调。
• 扩展决策基于负载趋势和服务器状态，重点是保持服务器处于最优区域，并将轻载服务器转入睡眠模式。
• 系统在同一框架内集成准入控制和容量分配策略，确保服务质量的同时最小化能耗。
• 通过优先采用本地决策来最小化通信开销——仿真结果显示，本地决策数量最多可达需要集群主节点参与决策数量的两倍。

实验结果

研究问题

• RQ1 如何设计云资源管理算法，以在保持对扩展请求响应能力的同时最小化能耗？
• RQ2 在功耗效率和性能方面，最优的服务器运行区域是什么？如何实现其动态维持？
• RQ3 在大规模云集群中，本地决策能在多大程度上减少通信开销？
• RQ4 该算法在不同工作负载和集群规模下，减少能耗的效率如何？
• RQ5 为轻载服务器集成睡眠状态，能否显著降低云环境中的整体能耗？

主要发现

• 该算法成功将处于最优区域运行的服务器比例提高至总量的约70%，同时将处于不良区域的服务器比例降至仅5%。
• 系统在不同工作负载下保持了稳定的性能，轻载（30%负载）到高载（70%负载）的能耗效率仅出现微小波动。
• 在仿真阶段42、50和76中，该算法将40台服务器中的13至15台切换至睡眠模式，有效降低了空闲功耗。
• 与非能量感知运行相比，该算法实现了高达30%的能耗节省，节能率以节省能量与基线能耗的比值衡量。
• 通信开销保持较低水平，在初始瞬态阶段后，超过50%的决策无需集群主节点参与即可本地完成。
• 该算法在20至100台服务器的集群规模范围内均表现出鲁棒性和可扩展性，表明其适用于实际部署。