[论文解读] Energy Efficient Geographical Load Balancing via Dynamic Deferral of Workload

Muhammad Abdullah Adnan, Ryo Sugihara+1 more|arXiv (Cornell University)|Apr 11, 2012

Cloud Computing and Resource Management参考文献 23被引用 5

一句话总结

本文提出了一种节能的地理负载均衡框架，通过根据随时间变化的电价和截止期限约束，动态推迟和迁移工作负载，实现跨数据中心的负载管理。通过利用服务等级协议（SLA）的灵活性并预测未来电价，该方法在确保有界延迟的前提下，将总能源成本降低了20–30%，结合离线优化与在线自适应算法，并引入迁移机制以应对预测误差。

ABSTRACT

With the increasing popularity of Cloud computing and Mobile computing, individuals, enterprises and research centers have started outsourcing their IT and computational needs to on-demand cloud services. Recently geographical load balancing techniques have been suggested for data centers hosting cloud computation in order to reduce energy cost by exploiting the electricity price differences across regions. However, these algorithms do not draw distinction among diverse requirements for responsiveness across various workloads. In this paper, we use the flexibility from the Service Level Agreements (SLAs) to differentiate among workloads under bounded latency requirements and propose a novel approach for cost savings for geographical load balancing. We investigate how much workload to be executed in each data center and how much workload to be delayed and migrated to other data centers for energy saving while meeting deadlines. We present an offline formulation for geographical load balancing problem with dynamic deferral and give online algorithms to determine the assignment of workload to the data centers and the migration of workload between data centers in order to adapt with dynamic electricity price changes. We compare our algorithms with the greedy approach and show that significant cost savings can be achieved by migration of workload and dynamic deferral with future electricity price prediction. We validate our algorithms on MapReduce traces and show that geographic load balancing with dynamic deferral can provide 20-30% cost-savings.

研究动机与目标

• 通过利用随时间与地理位置变化的电价差异，降低云数据中心的能源成本。
• 利用服务等级协议（SLAs）中工作负载截止期限的灵活性，推迟执行以实现节能。
• 设计在线算法，根据电价变化和预测结果，动态地在数据中心之间分配和迁移工作负载。
• 评估预测误差的影响，并证明迁移机制在提升成本效率方面的优势。
• 基于真实的工作负载和定价条件下的真实MapReduce追踪数据，验证该方法的有效性。

提出的方法

• 建立一个离线优化问题，用于在满足截止期限约束的前提下，将工作负载分配至数据中心，并确定随时间推移的推迟和迁移决策，以最小化总能源成本。
• 开发在线算法，利用对未来电价的预测，实时指导工作负载的分配和迁移决策。
• 采用基于高斯分布的价格预测模型，其中均值通过时间序列方法（如加权平均滤波器）获得，方差则基于历史数据估计，以处理不确定性。
• 引入迁移机制作为校正预测误差的手段，尤其在价格预测与实际值偏离时，可显著提升成本性能。
• 采用动态推迟策略，将非紧急工作负载延迟至电价较低的时段执行，以利用SLA中的松弛时间。
• 通过竞争比分析，比较包含迁移与不包含迁移的在线算法，结果表明使用迁移可实现更优的成本节约。

实验结果

研究问题

• RQ1 如何通过在地理分布的数据中心之间推迟和迁移工作负载，在遵守截止期限约束的前提下降低能源成本？
• RQ2 预测误差对在线负载均衡性能有何影响？迁移机制如何缓解这一影响？
• RQ3 基于SLA灵活性的动态推迟策略，在电价随时间变化的背景下，能否实现显著的成本节约？
• RQ4 与采用贪婪策略且不支持迁移的方法相比，引入工作负载迁移如何提升成本效率？
• RQ5 在可扩展且实用的前提下，未来电价预测在多大程度上可被有效利用以实现能源成本节约？

主要发现

• 所提出的方法在真实MapReduce追踪数据上的验证表明，与贪婪基线相比，总能源支出降低了20–30%。
• 包含工作负载迁移的在线算法在预测误差存在时表现优于不包含迁移的算法，得益于其自适应恢复机制。
• 在线算法的竞争比是有限的，迁移显著提升了性能，降低了对电价预测不准确的敏感性。
• 离线模型为在截止期限和价格约束下实现最优工作负载分配与推迟决策提供了理论基础。
• 基于时间序列方法获得的均值与通过高斯分布估计的方差相结合，可实现稳健的多步未来电价预测。
• 该方法具有通用性，适用于任意工作负载、截止期限和能源成本模型，因此可在现实世界的云环境中广泛部署。