[論文レビュー] To Reserve or Not to Reserve: Optimal Online Multi-Instance Acquisition in IaaS Clouds

Wei Wang, Baochun Li+1 more|arXiv (Cornell University)|May 24, 2013

Optimization and Search Problems参考文献 20被引用数 44

ひとこと要約

本論文は、将来の需要を事前に知る必要のないIaaSクラウドにおける最適なマルチインスタンス取得のための2つのオンラインアルゴリズム—決定的および確率的—を提案する。両アルゴリズムの競合比はそれぞれ$2 - \alpha$および$e/(e-1 + \alpha)$であることが証明されており、これらは最適であり、実世界のEC2価格設定においてオンデマンド価格と比較して大幅なコスト削減を実現する。

ABSTRACT

Infrastructure-as-a-Service (IaaS) clouds offer diverse instance purchasing options. A user can either run instances on demand and pay only for what it uses, or it can prepay to reserve instances for a long period, during which a usage discount is entitled. An important problem facing a user is how these two instance options can be dynamically combined to serve time-varying demands at minimum cost. Existing strategies in the literature, however, require either exact knowledge or the distribution of demands in the long-term future, which significantly limits their use in practice. Unlike existing works, we propose two practical online algorithms, one deterministic and another randomized, that dynamically combine the two instance options online without any knowledge of the future. We show that the proposed deterministic (resp., randomized) algorithm incurs no more than 2-alpha (resp., e/(e-1+alpha)) times the minimum cost obtained by an optimal offline algorithm that knows the exact future a priori, where alpha is the entitled discount after reservation. Our online algorithms achieve the best possible competitive ratios in both the deterministic and randomized cases, and can be easily extended to cases when short-term predictions are reliable. Simulations driven by a large volume of real-world traces show that significant cost savings can be achieved with prevalent IaaS prices.

研究の動機と目的

• 時間変動するワークロード下で、IaaSクラウドにおけるオンデマンドインスタンスとリザーブドインスタンスを動的に組み合わせることでコストを最小化する課題に取り組む。
• 長期的な需要予測や正確な将来の知識を必要とする従来の戦略の限界を克服する。
• 将来の需要の知識が一切ない状況で、リアルタイムにリザーブレーション意思決定を行う実用的なオンラインアルゴリズムを設計する。
• 決定的および確率的オンラインアルゴリズムの両方において、マルチインスタンスリザーブレーション設定で達成可能な最良の競合比を確立する。
• 短期的な需要予測が利用可能な場合に拡張可能なアルゴリズムを設計し、実世界のトレースを用いて性能を評価する。

提案手法

• 動的計画法を用いて最適なオフラインリザーブレーション戦略を定式化し、競合分析のベンチマークとして用いる。
• 現在の需要と割引係数$\alpha$に基づいてリザーブレーション意思決定を行う決定的オンラインアルゴリズムを設計し、競合比$2 - \alpha$を達成する。
• 確率的意思決定を用いることで、期待値において競合比$e/(e-1 + \alpha)$を改善する確率的オンラインアルゴリズムを開発する。
• 両アルゴリズムがそれぞれのクラスにおいて達成可能な最良の競合比を達成することを証明し、理論的最適性を確立する。
• 予測された需要ウィンドウを含めるように意思決定ルールを変更することで、短期的な需要予測を組み込むようにアルゴリズムを拡張する。
• Amazon EC2価格設定下で、40 GBの実際のGoogleクラスタ使用トレースを用いた大規模シミュレーションを実施し、コスト削減を評価する。

実験結果

リサーチクエスチョン

• RQ1 将来の需要を知らなくても、IaaSクラウドにおいてオンデマンドインスタンスとリザーブドインスタンスを動的に組み合わせ、近似的に最適なコストを達成できるオンラインアルゴリズムは存在するか？
• RQ2 IaaSにおけるマルチインスタンスリザーブレーション問題において、決定的オンラインアルゴリズムが達成可能な最良の競合比は何か？
• RQ3 IaaSにおけるマルチインスタンスリザーブレーション問題において、確率的オンラインアルゴリズムが達成可能な最良の競合比は何か？
• RQ4 実世界のクラウド使用トレースに適用した場合、提案されたアルゴリズムは実際の性能をどのように発揮するか？
• RQ5 理論的保証を損なわずに、短期的な需要予測を活用するようにアルゴリズムを拡張できるか？

主な発見

• 決定的オンラインアルゴリズムは、$2 - \alpha$の競合比を達成する。これは、マルチインスタンスリザーブレーション問題におけるすべての決定的アルゴリズムの中で最適である。
• 確率的オンラインアルゴリズムは、期待値において$e/(e-1 + \alpha)$の競合比を達成する。これは、この設定における確率的アルゴリズムの最適な競合比である。
• Amazon EC2価格設定（$\alpha \approx 0.51$）下では、決定的アルゴリズムが最適なオフラインコストの1.51倍以内のコストを保証する。
• 同じ価格設定下では、確率的アルゴリズムが期待値で最適なオフラインコストの1.23倍以内のコストを保証する。
• 実際のGoogleクラスタトレースを用いたシミュレーションにより、完全にオンデマンドまたはヒューリスティックなリザーブレーション戦略と比較して顕著なコスト削減が確認された。
• 信頼性の高い短期的な需要予測が利用可能な状況においても、アルゴリズムは効果的に拡張可能であり、さらにコスト効率が向上することが示された。