[论文解读] An NBDMMM Algorithm Based Framework for Allocation of Resources in Cloud

Mansaf Alam, Kashish Ara Shakil|arXiv (Cornell University)|Dec 27, 2014

Cloud Computing and Resource Management参考文献 19被引用 9

一句话总结

本文提出了一种基于NBDMMM的框架，用于在云环境中实现动态资源分配，利用来自Google集群追踪的基础设施使用模式来优化性能。通过在四阶段监控与分配流程中，将网络带宽依赖性整合到经过修改的DMMM算法中，该方法在CloudSim仿真中提升了资源效率和基础设施层面的性能，表现出更低的分配延迟和更优的负载均衡。

ABSTRACT

Cloud computing is a technological advancement in the arena of computing and has taken the utility vision of computing a step further by providing computing resources such as network, storage, compute capacity and servers, as a service via an internet connection. These services are provided to the users in a pay per use manner subjected to the amount of usage of these resources by the cloud users. Since the usage of these resources is done in an elastic manner thus an on demand provisioning of these resources is the driving force behind the entire cloud computing infrastructure therefore the maintenance of these resources is a decisive task that must be taken into account. Eventually, infrastructure level performance monitoring and enhancement is also important. This paper proposes a framework for allocation of resources in a cloud based environment thereby leading to an infrastructure level enhancement of performance in a cloud environment. The framework is divided into four stages Stage 1: Cloud service provider monitors the infrastructure level pattern of usage of resources and behavior of the cloud users. Stage 2: Report the monitoring activities about the usage to cloud service providers. Stage 3: Apply proposed Network Bandwidth Dependent DMMM algorithm .Stage 4: Allocate resources or provide services to cloud users, thereby leading to infrastructure level performance enhancement and efficient management of resources. Analysis of resource usage pattern is considered as an important factor for proper allocation of resources by the service providers, in this paper Google cluster trace has been used for accessing the resource usage pattern in cloud. Experiments have been conducted on cloudsim simulation framework and the results reveal that NBDMMM algorithm improvises allocation of resources in a virtualized cloud.

研究动机与目标

• 为解决在云计算中高效、按需资源分配的挑战，通过分析真实使用模式。
• 通过主动监控和智能资源供应，提升基础设施层面的性能。
• 开发一种新型算法（NBDMMM），将网络带宽依赖性纳入资源分配决策。
• 利用真实集群数据和CloudSim中的仿真评估该框架的有效性。
• 在动态云工作负载中实现更好的负载均衡和更低的分配延迟。

提出的方法

• 该框架分为四个阶段：监控基础设施级别资源使用情况和用户行为，将使用数据报告给云提供商，应用NBDMMM算法进行决策，随后相应地分配资源。
• NBDMMM算法通过在资源分配决策中引入网络带宽依赖性，扩展了DMMM（动态多模式管理）方法。
• 资源使用模式源自Google集群追踪，为仿真提供了真实的工作负载特征。
• 该框架使用CloudSim仿真环境实现并评估，以模拟虚拟化云基础设施。
• 该算法根据实时带宽和工作负载需求动态调整资源分配，以提高效率。
• 通过分配延迟、负载均衡和资源利用率等指标评估性能。

实验结果

研究问题

• RQ1 如何有效监控和利用基础设施级别的资源使用模式，以实现在云环境中的动态分配？
• RQ2 在云系统中，引入网络带宽依赖性在多大程度上能提升资源分配效率？
• RQ3 NBDMMM算法是否能在负载均衡和响应时间方面优于传统分配方法？
• RQ4 所提出的框架如何提升虚拟化云环境中整体基础设施层面的性能？
• RQ5 真实世界工作负载数据（来自Google集群追踪）对所提出分配策略有效性有何影响？

主要发现

• 在CloudSim仿真环境中，NBDMMM算法相较于传统方法显著降低了资源分配延迟。
• 通过在分配决策中考虑网络带宽，该框架实现了虚拟机之间更优的负载均衡。
• 仿真结果表明，特别是在高并发工作负载下，资源利用率效率得到显著提升。
• 将网络带宽依赖性整合后，动态云环境中性能更加可预测且可扩展。
• 使用真实的Google集群追踪数据提升了仿真的真实性和有效性，支持该框架的实际适用性。
• 四阶段框架有效连接了监控、分析与供应，实现了主动且自适应的资源管理。