[论文解读] Auto-scaling Web Applications in Clouds: A Taxonomy and Survey

Chenhao Qu, Rodrigo N. Calheiros+1 more|arXiv (Cornell University)|Sep 29, 2016

Cloud Computing and Resource Management参考文献 79被引用 61

一句话总结

本文提出了云环境中面向Web应用的自动扩展技术的全面分类法与综述，分析了MAPE控制环各阶段的挑战，并指出了当前方法中的关键空白。研究提出了未来的研究方向，重点关注能效、用户偏好和原生容器扩展，以提升动态云工作负载下的成本、性能与可持续性。

ABSTRACT

Web application providers have been migrating their applications to cloud data centers, attracted by the emerging cloud computing paradigm. One of the appealing features of the cloud is elasticity. It allows cloud users to acquire or release computing resources on-demand, which enables web application providers to automatically scale the resources provisioned to their applications without human intervention under a dynamic workload to minimize resource cost while satisfying Quality of Service (QoS) requirements. In this paper, we comprehensively analyze the challenges that remain in auto-scaling web applications in clouds and review the developments in this field. We present a taxonomy of auto-scalers according to the identified challenges and key properties. We analyze the surveyed works and map them to the taxonomy to identify the weaknesses in this field. Moreover, based on the analysis, we propose new future directions that can be explored in this area.

研究动机与目标

• 为云环境中自动扩展解决方案缺乏统一分类框架的问题提供解决方案。
• 识别并分析在MAPE控制环（监控、分析、规划、执行）各阶段中，自动扩展Web应用所面临的核心挑战。
• 基于对工作负载动态性、QoS、成本和资源约束的处理能力，评估现有自动扩展技术。
• 突出当前方法在能效、用户偏好和容器化方面的局限性。
• 提出下一代自动扩展器的新研究方向，以支持可持续性、多区域部署和原生容器工作负载。

提出的方法

• 基于关键挑战和特性（如工作负载预测、振荡抑制、成本优化）开发了自动扩展器的全面分类法。
• 将现有自动扩展解决方案映射到该分类法中，以比较其在监控、分析、规划和执行各阶段的优势与劣势。
• 将MAPE控制环作为自动扩展的基础架构进行分析，识别各阶段的关键瓶颈。
• 利用历史和实时指标，评估工作负载预测、资源估算和SLA感知扩展的技术。
• 探讨将能效和碳足迹考量整合到自动扩展决策中，特别是在采用可再生能源的数据中心中。
• 讨论基于容器的自动扩展中出现的新兴挑战，包括隔离问题、调度复杂性以及共享集群中的动态资源分配。

实验结果

研究问题

• RQ1 在MAPE控制环的全过程中，设计适用于云托管Web应用的有效自动扩展器面临的主要挑战是什么？
• RQ2 现有自动扩展解决方案如何应对工作负载预测、振荡抑制和SLA合规性问题？
• RQ3 当前自动扩展技术在成本效率、能耗和环境影响方面存在哪些局限性？
• RQ4 如何增强自动扩展机制，以尊重用户指定的地理位置和基础设施偏好，同时最小化提供商成本？
• RQ5 在容器化微服务和无服务器工作负载的自动扩展中，出现了哪些新机遇与挑战？

主要发现

• 尽管ICT行业对环境问题的关注日益增加，但当前自动扩展解决方案在能源和碳足迹感知的资源分配方面仍存在显著空白。
• 许多自动扩展器未能充分应对因频繁扩展决策导致的振荡和不稳定性，尤其是在动态或突发性工作负载下。
• 现有方法通常忽视用户对地理邻近性和监管约束的偏好，限制了其在多区域云环境中的实际部署。
• 基于容器的自动扩展引入了新挑战，如隔离性较弱、资源争用更严重以及调度更复杂，需要量身定制的优化策略。
• 将可再生能源整合到自动扩展决策中可显著降低碳排放和运营成本，但当前系统对此探索不足。
• 尽管基于虚拟机的自动扩展技术提供了宝贵见解，但由于在部署速度、大小和隔离性方面存在差异，其直接应用于容器化和无服务器环境需要进一步调整。