[论文解读] A Resource Management Protocol for Mobile Cloud Using Auto-Scaling

Chathura M. Sarathchandra Magurawalage, Kun Yang+3 more|arXiv (Cornell University)|Jan 2, 2017

IoT and Edge/Fog Computing参考文献 26被引用 3

一句话总结

本文提出了一种用于移动云计算（MCC）和云无线电接入网络（C-RAN）的集中式资源管理协议，支持动态任务卸载和虚拟机（VM）资源的自动扩展。研究发现，垂直自动扩展——尤其是针对CPU和存储——会引入显著延迟（某些情况下超过50秒），使得实时扩展对延迟敏感的应用不切实际。

ABSTRACT

Cloud radio access networks (C-RAN) and Mobile Cloud Computing (MCC) have emerged as promising candidates for the next generation access network techniques. MCC enables resource limited mobile devices to offload computationally intensive tasks to the cloud, while C-RAN offers a technology that addresses the increasing mobile traffic. In this paper, we propose a protocol for task offloading and for managing resources in both C-RAN and mobile cloud together using a centralised controller. Experiments on resource management using cloud auto-scaling shows that resource (CPU, RAM, Storage) scaling times vary.

研究动机与目标

• 解决在混合移动云与C-RAN架构中高效管理计算与通信资源的挑战。
• 设计一种统一协议，通过集中式控制器实现移动云与C-RAN之间的任务卸载与资源分配。
• 研究在移动云环境中对CPU、内存和存储资源进行垂直自动扩展的性能表现。
• 评估自动扩展延迟对移动云部署中实时应用可行性的影响。

提出的方法

• 提出一种集中式控制器，通过统一的信令协议同时管理移动云VM和C-RAN基带单元（BBUs）。
• 采用简单且标准化的数据包头，用于任务卸载和资源管理信令。
• 在连续与非连续扩展场景下，对CPU、内存和存储的VM调整大小性能进行实证评估。
• 在测试平台上采用基于KVM的虚拟化技术，测量不同VM磁盘大小和资源类型下的实际扩展延迟。
• 应用二阶多项式回归模型，基于基础VM磁盘大小和资源类型建立扩展延迟趋势的预测模型。
• 分析VM大小、扩展方式（连续与非连续）以及云环境对自动扩展延迟的影响。

实验结果

研究问题

• RQ1 在移动云环境中，自动扩展延迟在不同VM资源（CPU、内存、存储）之间如何变化？
• RQ2 扩展方式（连续与非连续）对不同资源类型的VM调整大小时间有何影响？
• RQ3 基础VM磁盘大小如何影响VM调整大小操作的延迟时间？
• RQ4 自动扩展延迟在多大程度上阻碍了延迟敏感型移动应用的实时可用性？
• RQ5 VM调整大小的性能趋势是否可建模，以支持移动云系统中更智能的自动扩展决策？

主要发现

• 在某些情况下，CPU和存储资源的自动扩展延迟超过50秒，使得实时扩展对延迟敏感的应用不切实际。
• 在连续扩展场景下，随着VM磁盘大小增加，扩展延迟也增加，尤其在存储和CPU资源上更为明显。
• 由于样本数量有限且受硬件限制（最大18GB内存），内存调整大小延迟未表现出明显趋势，尽管回归模型显示存在下降趋势。
• 扩展延迟不仅取决于资源类型，还受扩展方式（向上扩展/向下扩展）和VM配置的影响。
• VM调整大小性能显著受底层虚拟化技术和云环境的影响，因此需要进行平台特定的调优。
• 未来的自动扩展算法必须同时考虑VM特定特征（如磁盘大小）和环境因素（如VM总数）以实现有效决策。