[论文解读] Performance Constraint and Power-Aware Allocation For User Requests In Virtual Computing Lab

Nguyen Quang-Hung, Nam Thoai+1 more|arXiv (Cornell University)|Oct 3, 2012

Cloud Computing and Resource Management参考文献 15被引用 6

一句话总结

本文提出了性能约束、功耗感知的虚拟机分配策略——MAP 和 MAP-H2L，以及四种租赁调度算法（FF-MAP、FF-MAP-H2L、PI-FF-MAP、HalfPI-FF-MAP），用于虚拟计算实验室。通过使用可调比率 θ 优化主机选择与整合，这些算法相较于 Haizea 的贪心调度器，将能耗降低了高达 63.12%，同时在教育云环境中基于租赁的资源租赁模式下仍保持了服务质量。

ABSTRACT

Cloud computing is driven by economies of scale. A cloud system uses virtualization technology to provide cloud resources (e.g. CPU, memory) to users in form of virtual machines. Virtual machine (VM), which is a sandbox for user application, fits well in the education environment to provide computational resources for teaching and research needs. In resource management, they want to reduce costs in operations by reducing expensive cost of electronic bill of large-scale data center system. A lease-based model is suitable for our Virtual Computing Lab, in which users ask resources on a lease of virtual machines. This paper proposes two host selection policies, named MAP (minimum of active physical hosts) and MAP-H2L, and four algorithms solving the lease scheduling problem. FF-MAP, FF-MAP-H2L algorithms meet a trade-off between the energy consumption and Quality of Service (e.g. performance). The simulation on 7-day workload, which converted from LLNL Atlas log, showed the FF-MAP and FF-MAP-H2L algorithms reducing 7.24% and 7.42% energy consumption than existing greedy mapping algorithm in the leasing scheduler Haizea. In addition, we introduce a ratio θof consolidation in HalfPI-FF-MAP and PI-FF-MAP algorithms, in which θis π/2 and π, and results on their simulations show that energy consumption decreased by 34.87% and 63.12% respectively.

研究动机与目标

• 为应对大规模数据中心不断上升的运营成本，通过最小化虚拟计算实验室中的能耗来降低能耗。
• 在虚拟化环境中高效管理用户租赁请求，同时保持服务质量（QoS）。
• 开发主机选择与调度策略，以在虚拟机分配中平衡能效与性能约束。
• 评估整合比率（θ = π/2, π）对能耗节省与系统性能的影响。
• 通过引入性能感知、能效优化的分配策略，改进 Haizea 中现有的贪心调度。

提出的方法

• 提出两种主机选择策略：MAP（最小化活跃物理主机数量）和 MAP-H2L（优先考虑低到高主机利用率）。
• 引入 FF-MAP 和 FF-MAP-H2L 算法，结合首次适应启发式方法与性能及功耗约束。
• 开发 PI-FF-MAP 和 HalfPI-FF-MAP 算法，利用整合比率 θ（π/2 和 π）指导虚拟机放置以实现能耗节省。
• 采用基于租赁的模型，用户为固定时长请求虚拟机，以模拟现实中的教育工作负载。
• 使用 LLNL Atlas 日志中的工作负载轨迹，模拟为期 7 天的周期，以模拟真实用户请求模式。
• 通过能耗、QoS 合规性及主机利用率等指标评估性能。

实验结果

研究问题

• RQ1 如何设计虚拟机分配策略，在虚拟计算实验室中最小化能耗的同时满足性能约束？
• RQ2 主机选择策略（MAP 与 MAP-H2L）对基于租赁的虚拟机调度中能耗效率与 QoS 的影响是什么？
• RQ3 整合比率（θ = π/2 和 π）在不降低服务质量的前提下，能在多大程度上提升能耗节省？
• RQ4 所提出的算法（FF-MAP、FF-MAP-H2L、PI-FF-MAP、HalfPI-FF-MAP）与 Haizea 的贪心调度器相比，在能效与性能方面表现如何？
• RQ5 在真实工作负载模式下，所提出的算法是否能在降低能耗的同时维持可接受的 QoS？

主要发现

• FF-MAP 和 FF-MAP-H2L 分别相较 Haizea 的贪心算法将能耗降低了 7.24% 和 7.42%。
• PI-FF-MAP 算法在 θ = π 时实现了 63.12% 的能耗降低。
• HalfPI-FF-MAP 算法在 θ = π/2 时实现了 34.87% 的能耗降低。
• 所提出的算法在显著降低能耗的同时维持了 QoS，展示了性能与效率之间的权衡。
• MAP-H2L 策略通过优先考虑主机利用率的均衡，提升了能耗节省，减少了空闲主机的激活。
• 基于 LLNL Atlas 的 7 天工作负载仿真结果证实，各类请求模式下均实现了持续的能耗节省。