[论文解读] A Cloud Infrastructure Service Recommendation System for Optimizing Real-time QoS Provisioning Constraints

Miranda Zhang, Rajiv Ranjan+4 more|arXiv (Cornell University)|Apr 8, 2015

Service-Oriented Architecture and Web Services参考文献 20被引用 6

一句话总结

本文提出了一种实时QoS感知的多准则决策框架，用于选择最优的基础设施即服务（IaaS）云服务，通过将先前基于本体的服务推荐系统扩展，引入了端到端消息延迟和吞吐量等动态运行时指标。该方法采用增强的层次分析法（AHP）模型，平衡设计时约束（如成本、位置）与实时QoS需求，在平均11.18秒内完成求解，且在更严格约束下可缩短至4.97秒，证明了其在游戏和实时分析等低延迟应用场景中的可行性。

ABSTRACT

Proliferation of cloud computing has revolutionized hosting and delivery of Internet-based application services. However, with the constant launch of new cloud services and capabilities almost every month by both big (e.g., Amazon Web Service, Microsoft Azure) and small companies (e.g. Rackspace, Ninefold), decision makers (e.g. application developers, CIOs) are likely to be overwhelmed by choices available. The decision making problem is further complicated due to heterogeneous service configurations and application provisioning Quality of Service (QoS) constraints. To address this hard challenge, in our previous work we developed a semi-automated, extensible, and ontology-based approach to infrastructure service discovery and selection based on only design time constraints (e.g., renting cost, datacentre location, service feature, etc.). In this paper, we extend our approach to include the real-time (run-time) QoS (endto- end message latency, end-to-end message throughput) in the decision making process. Hosting of next generation applications in domain of on-line interactive gaming, large scale sensor analytics, and real-time mobile applications on cloud services necessitates optimization of such real-time QoS constraints for meeting Service Level Agreements (SLAs). To this end, we present a real-time QoS aware multi-criteria decision making technique that builds over well known Analytics Hierarchy Process (AHP) method. The proposed technique is applicable to selecting Infrastructure as a Service (IaaS) cloud offers, and it allows users to define multiple design-time and real-time QoS constraints or requirements. These requirements are then matched against our knowledge base to compute possible best fit combinations of cloud services at IaaS layer. We conducted extensive experiments to prove the feasibility of our approach.

研究动机与目标

• 为应对因云服务提供商数量激增及动态QoS需求带来的IaaS云服务选择复杂性问题。
• 通过在决策过程中引入实时QoS指标（延迟和吞吐量），扩展先前基于本体的服务推荐系统。
• 实现多准则选择，平衡设计时约束（如成本、位置）与运行时性能需求，以确保SLA合规。
• 支持在线游戏、移动协作和物联网分析等实时应用在云环境中的动态、可扩展部署。
• 提供计算高效且可扩展的云服务推荐框架，支持未来扩展功能如SLA检查与合规性验证。

提出的方法

• 将先前基于本体的服务发现系统扩展，引入实时QoS指标（端到端延迟和吞吐量）作为决策标准。
• 采用增强的层次分析法（AHP）模型，计算涵盖设计时与实时约束的多个准则的加权收益-成本比。
• 使用知识库将用户定义的需求（如存储、内存、数据传输）与来自多个提供商和位置的可用IaaS服务进行匹配。
• 应用成对比较矩阵（6个准则共15次比较）以确定AHP模型中的相对权重，实现对服务组合的多准则排序。
• 实现单线程查询引擎并结合MySQL缓存，性能最高提升9%，并通过InnoDB配置支持未来多线程化。
• 采用计算复杂度模型 O(|R|×|C|×|L| + |ν|(|ν|−1)/2)，其中 |ν|=6，用于估算上限处理时间。

实验结果

研究问题

• RQ1 如何有效将实时QoS指标（如端到端延迟和吞吐量）集成到IaaS服务选择的多准则决策模型中？
• RQ2 在多准则决策中引入实时QoS约束后，对延迟敏感型应用的IaaS服务推荐准确性和相关性提升程度如何？
• RQ3 在不同约束集和解空间规模下，所提推荐系统的计算性能与可扩展性表现如何？
• RQ4 在真实云环境中，该系统如何处理成本、性能与地理部署约束之间的权衡？
• RQ5 系统能否扩展以支持动态实时QoS指标数据采集，从而在网络不确定性条件下提升适应能力？

主要发现

• 系统在所有测试用例中平均求解时间为11.18秒，最理想情况下可缩短至4.97秒。
• 使用MySQL缓存可使相同工作负载下的查询性能最高提升9%，证明了数据库优化的影响。
• 随着处理能力提升（如环境4），性能进一步改善，表明通过多线程化和“纵向扩展”策略可实现更大性能增益。
• 计算复杂度上限为 O(|R|×|C|×|L| + 15)，其中15来自6个准则与AHP模型中的15次成对比较。
• 系统成功识别出同时满足设计时与实时QoS约束的最优IaaS服务组合，验证了其在游戏和移动协作等实时应用中的可行性。
• 该框架具备可扩展性，支持未来集成SLA合规性、法律约束及实时QoS数据采集功能。