[論文レビュー] Multi-objective, Decentralized Dynamic Virtual Machine Consolidation using ACO Metaheuristic in Computing Clouds

Md Hasanul Ferdaus, Manzur Murshed+2 more|arXiv (Cornell University)|Jun 20, 2017

Cloud Computing and Resource Management被引用数 14

ひとこと要約

本稿では、アンチコロニー最適化（ACO）を用いた分散型で多次元の動的仮想マシン（VM）統合フレームワークを提案する。大規模なクラウドデータセンターにおけるリソースの無駄遣い、電力消費、VM移行オーバーヘッドの最小化を目的としている。現実的な移行オーバーヘッド推定モデルと階層的で分散型のアーキテクチャを統合することで、最先端の手法と比較して、電力消費を最大47%、リソースの無駄遣いを最大64%、移行オーバーヘッドを最大83%削減する。

ABSTRACT

Underutilization of computing resources and high power consumption are two primary challenges in the domain of Cloud resource management. This paper deals with these challenges through offline, migration impact-aware, multi-objective dynamic Virtual Machine (VM) consolidation in the context of large-scale virtualized data center environments. The problem is formulated as an NP-hard discrete combinatorial optimization problem with simultaneous objectives of minimizing resource wastage, power consumption, and the associated VM migration overhead. Since dynamic VM consolidation through VM live migrations have negative impacts on hosted applications performance and data center components, a VM live migration overhead estimation technique is proposed, which takes into account pragmatic migration parameters and overhead factors. In order to tackle scalability issues, a hierarchical, decentralized dynamic VM consolidation framework is presented that helps to localize migration-related network traffic and reduce network cost. Moreover, a multi-objective, dynamic VM consolidation algorithm is proposed by utilizing the Ant Colony Optimization (ACO) metaheuristic, with integration of the proposed VM migration overhead estimation technique. Comprehensive performance evaluation makes it evident that the proposed dynamic VM consolidation approach outpaces the state-of-the-art offline, migration-aware dynamic VM consolidation algorithm across all performance metrics by reducing the overall power consumption by up to 47%, resource wastage by up to 64%, and migration overhead by up to 83%.

研究の動機と目的

• 大規模なクラウドデータセンターにおける高い電力消費とリソースの未利用化という二重の課題に対処する。
• 動的VM統合を、リソースの無駄遣い、電力使用量、移行オーバーヘッドを最小化する多次元でNP困難な離散最適化問題として定式化する。
• 性能劣化を低減するため、現実のネットワークおよびシステムパラメータを考慮した移行オーバーヘッド推定技術を開発する。
• 移行トラフィックを局所化し、ネットワークコストとスケーラビリティのボトルネックを低減するため、階層的で分散型のフレームワークを設計する。
• 移行に配慮した最適化とACOメタヒューリスティックを統合することで、スケーラブルで効率的かつエネルギー効率の良いVM統合を実現する。

提案手法

• リソースの無駄遣い、電力消費、VM移行オーバーヘッドの3つの目的を最小化する離散的組合せ最適化問題として、動的VM統合問題を定式化する。
• ネットワーク帯域幅、VMメモリサイズ、CPU負荷などの主要要因を組み込んだ実用的なVM移行オーバーヘッド推定モデルを提案する。
• 意思決定を局所化し、移行操作がネットワーク全体に与える影響を低減するため、階層的で分散型の統合フレームワークを設計する。
• ホルモンレーンとヒューリスティック情報を使用してVM配置意思決定をガイドする、多次元ACOベースのアルゴリズム（AMDVMC）を実装する。
• 移行オーバーヘッド推定モデルをACOアルゴリズムに統合し、総合的運用コストを低減するソリューションを優先する。
• クラスターサイズやワークロードを変化させた大規模シミュレーションを実施し、スケーラビリティとパフォーマンスを評価する。

実験結果

リサーチクエスチョン

• RQ1 大規模なデータセンターにおいて、リソースの無駄遣い、電力消費、移行オーバーヘッドを同時に低減できる動的VM統合の最適化手法は何か？
• RQ2 現実的な移行オーバーヘッド推定モデルは、VM統合アルゴリズムの実用性とパフォーマンスにどの程度向上効果をもたらすか？
• RQ3 分散型で階層的なアーキテクチャは、ネットワークトラフィックと中央集権的制御を最小限に抑えながら、VM統合のスケーラビリティを効果的に実現できるか？
• RQ4 ACOに基づく多次元最適化アプローチは、既存の最先端の移行に配慮した統合手法と比較して、エネルギー効率とリソース利用効率の面でどの程度優れているか？
• RQ5 提案されたAMDVMCアルゴリズムの意思決定時間オーバーヘッドはどの程度で、大規模データセンターにおけるリアルタイムまたはオフライン統合に実用的か？

主な発見

• 提案されたAMDVMCアルゴリズムは、最先端の移行に配慮した手法と比較して、総合的な電力消費を最大47%削減した。
• VM統合とサーバー利用効率の向上により、リソースの無駄遣いが最大64%削減された。
• 現実的な移行コスト推定モデルの統合により、VM移行オーバーヘッドが最大83%低減された。
• 分散モードでは大規模データセンターにおいて意思決定時間が10秒未塔、集中モードでは30秒未塔を達成し、オフライン利用に実用的であることが示された。
• 階層的で分散型のフレームワークは、移行トラフィックを効果的に局所化し、ネットワークコストとスケーラビリティのボトルネックを低減した。
• 包括的なシミュレーションにより、AMDVMCがエネルギー効率、リソース利用効率、運用コストのすべての主要指標で、既存手法を上回ることが確認された。