[論文レビュー] Performance-oriented Cloud Provisioning: Taxonomy and Survey

Yasir Shoaib, Olivia Das|arXiv (Cornell University)|Nov 19, 2014

Cloud Computing and Resource Management参考文献 49被引用数 11

ひとこと要約

本論文は、パフォーマンス指向のクラウドプロビジョニングに関する包括的な分類とサーベイを提示しており、クラウド環境における動的リソース割り当てに焦点を当てている。本稿は、ステークホルダー、目的、技術などの次元にわたって、反応的／予測的、水平的／垂直的といったプロビジョニングタイプを分類し、仮想マシン（VM）およびアプリケーション配置のためのアルゴリズムを評価することで、パフォーマンス、コスト、エネルギー効率を最適化する。

ABSTRACT

Cloud computing is being viewed as the technology of today and the future. Through this paradigm, the customers gain access to shared computing resources located in remote data centers that are hosted by cloud providers (CP). This technology allows for provisioning of various resources such as virtual machines (VM), physical machines, processors, memory, network, storage and software as per the needs of customers. Application providers (AP), who are customers of the CP, deploy applications on the cloud infrastructure and then these applications are used by the end-users. To meet the fluctuating application workload demands, dynamic provisioning is essential and this article provides a detailed literature survey of dynamic provisioning within cloud systems with focus on application performance. The well-known types of provisioning and the associated problems are clearly and pictorially explained and the provisioning terminology is clarified. A very detailed and general cloud provisioning classification is presented, which views provisioning from different perspectives, aiding in understanding the process inside-out. Cloud dynamic provisioning is explained by considering resources, stakeholders, techniques, technologies, algorithms, problems, goals and more.

研究の動機と目的

• 変動するアプリケーションワークロードに応じてクラウドリソースを動的にプロビジョニングする課題に対処し、高いパフォーマンスを維持するとともに、コストとエネルギー消費を最小限に抑えること。
• プロビジョニング用語を明確にし、標準化し、リソースタイプ、プロビジョニングタイプ、ステークホルダーなどの複数の次元にわたる動的プロビジョニングを分類すること。
• 特に仮想マシンおよびアプリケーション配置に用いられる、パフォーマンス、コスト、エネルギー効率を支援する主要なアルゴリズムと技術を特定・分析すること。
• クラウドコンピューティングにおける既存の動的プロビジョニングアプローチを理解し、比較するための構造化されたフレームワークを提供すること。

提案手法

• ステークホルダー、リソースタイプ、プロビジョニングタイプ（反応的／予測的、水平的／垂直的）、および目的（パフォーマンス、コスト、エネルギー）に基づく、クラウド動的プロビジョニングの多次元分類を提言する。
• 予測モデル（例：Fast Up and Slow Downアルゴリズム）、シミュレーテッド・アニーリング、およびリソース割り当てのための混合整数線形プログラミング（MILP）を含む、既存の動的プロビジョニングアルゴリズムをレビューし、分類する。
• アプリケーションとVMの1対1マッピングや、複数VMへのアプリケーションデプロイメントといった配置ポリシーを分析し、パフォーマンスおよび効率への影響を評価する。
• VMおよびサービス配置のための多次元バインパッキングおよびベクトルパッキング技術を評価し、リソース利用効率を最大化する最適化問題としてモデル化する。
• 異なる研究間でプロビジョニングおよび配置ポリシーを明確に記述・比較できるように、標準化された表記法を導入する。
• 過去の研究からのシミュレーションおよび測定結果を用いて、選択されたアルゴリズムの有効性を検証し、パフォーマンスおよびリソース利用効率の向上を確認する。

実験結果

リサーチクエスチョン

• RQ1 ステークホルダー、リソースタイプ、プロビジョニング戦略などの異なる次元にわたって、クラウドプロビジョニングを体系的に分類する方法は何か？
• RQ2 動的クラウド環境における反応的プロビジョニングと予測的プロビジョニングの主な違いとトレードオフは何か？
• RQ3 水平的プロビジョニングと垂直的プロビジョニングは、アプリケーションパフォーマンスおよびリソース効率にどのように影響を与えるか？
• RQ4 パフォーマンス、コスト、エネルギー効率の観点から、動的VMおよびアプリケーション配置に最も効果的なアルゴリズムと技術は何か？
• RQ5 動的プロビジョニングにおける共通の目的と目標は何か？ そして、それらは既存のアプローチでどのようにバランスが取られているか？

主な発見

• Fast Up and Slow Down（FUSD）アルゴリズムは、リソース利用率を効果的に予測し、マルチリソース割り当てにおける偏りを最小限に抑えることで、パフォーマンスと安定性を向上させる。
• シミュレーテッド・アニーリングに基づくリソース割り当ては、シミュレーションにおいてFirst-Come-First-Serveに比べて優れた性能を示し、VM配置における平均リソース利用率を高める。
• 「最小収益」を最大化することを目的とした混合整数線形プログラミング（MILP）モデルは、共有仮想化環境における公平性とパフォーマンスを向上させる。
• ワークロード予測に基づく予測的プロビジョニングは、反応的アプローチと比較して応答時間を短縮し、リソースの未利用を低減する。
• 多くの研究では、プロビジョニングまたは配置ポリシーを明確に記述していないため、再現性および比較性を高めるために標準化された表記法の導入が不可欠である。
• 動的プロビジョニングは、過剰プロビジョニングおよび不足プロビジョニングを顕著に低減し、クラウドデータセンターにおけるコスト削減およびエネルギー効率の向上をもたらす。