[論文レビュー] Survey and Taxonomy of Self-Aware and Self-Adaptive Autoscaling Systems in the Cloud.

Tao Chen, Rami Bahsoon|arXiv (Cornell University)|Sep 12, 2016

Cloud Computing and Resource Management参考文献 124被引用数 4

ひとこと要約

本論文は、クラウドコンピューティングにおける自己認識および自己適応型オートスケーリングシステムの包括的サーベイと分類法を提示し、計算知能が動的ランタイム適応を可能にする仕組みを分析している。本研究では、オートスケーリングフレームワークにおけるパフォーマンスモデリング、自己適応性、システム信頼性分野における主要な研究ギャップを同定している。

ABSTRACT

Autoscaling system can reconfigure cloud-based applications and services, through various cloud software configurations and hardware provisioning, to adapt to the changing environment at runtime. Such a behaviour offers the foundation to achieve elasticity in modern cloud computing paradigm. Given the importance of autoscaling in cloud, computational intelligence has been widely applied for engineering autoscaling system, leading to self-aware, self-adaptive and more dependable runtime scaling. In this paper, we present the brief background and history for autoscaling in the cloud, as well as their associations with self-awareness and self-adaptivity of a system. Subsequently, we conduct detailed survey and taxonomy of the key related work and identify the gaps in this area of research. Keywords-performance modeling, self-aware systems; selfadaptive systems; auto-scaling; cloud computing

研究の動機と目的

• クラウドコンピューティングにおけるオートスケーリングの基礎的概要と、自己認識および自己適応的機能への進化を提供すること。
• クラウド環境におけるオートスケーリング、自己認識システム、自己適応システムの間の歴史的および技術的関連性を分析すること。
• 特にパフォーマンスモデリングとシステム信頼性において、現在のオートスケーリングアプローチにおける重要な研究ギャップを同定すること。
• 自己認識および自己適応的特性に基づいて、既存のオートスケーリングシステムの構造的分類法を確立すること。
• 計算知能の応用分野における未開拓な分野を強調することで、今後の研究を導くこと。

提案手法

• クラウドコンピューティングにおける自己認識および自己適応型オートスケーリングシステムに関する主要な研究を詳細にサーベイすること。
• ランタイム適応に計算知能技術を活用するかどうかに基づいて、既存のオートスケーリングシステムを分類すること。
• 自己適応性を実現するためのシステムアーキテクチャ、制御メカニズム、フィードバックループを分析すること。
• 知覚、推論、適応の各コンponentsを含む自己認識レベルに応じてシステムを分類すること。
• パフォーマンスモデリングが正確で迅速なオートスケーリング意思決定を可能にする役割を評価すること。
• 得られた知見を統合し、自己適応型オートスケーリングシステムの種類を区別する構造的分類法を構築すること。

実験結果

リサーチクエスチョン

• RQ1 自己認識および自己適応的機能は、時間の経過とともにクラウドオートスケーリングシステムでどのように進化してきたか？
• RQ2 クラウドオートスケーリングにおける自己適応性を実現するためのコアなアーキテクチャ的およびアルゴリズム的コンponentsは何か？
• RQ3 現在のオートスケーリングシステムは、動的リソースプロビジョニングを支援するために、パフォーマンスモデリングをどのように統合しているか？
• RQ4 設計および機能面において、自己認識型と自己適応型オートスケーリングシステムの主な相違点は何か？
• RQ5 クラウド環境における信頼性があり知的なオートスケーリングシステムの開発において、依然として残っている重要な研究ギャップは何か？

主な発見

• 現在のオートスケーリングシステムの大部分は、高度な計算知能技術よりもヒューリスティックまたはルールベースのアプローチに依存している。
• オートスケーリングにおける自己認識システムは依然として未発達であり、知覚、推論、適応の各レイヤーの統合が限定的である。
• パフォーマンスモデリングは、既存のシステムではしばしば単純化されたり欠落したりしており、その正確性と応答性が低下している。
• 自己適応型オートスケーリングシステムのための標準化された評価基準やベンチマークフレームワークが不足している。
• 分類法は、自己適応メカニズムおよび知能レベルに基づいて、明確に区別されるオートスケーリングシステムのカテゴリを明らかにしている。
• 特にリアルタイム意思決定および長期的なシステムレジリエンスの達成において、完全な自己認識の実現に向けた研究ギャップが依然として存在する。