[论文解读] Cloud elasticity using probabilistic model checking

Athanasios Naskos, Emmanouela Stachtiari+5 more|arXiv (Cornell University)|May 19, 2014

Cloud Computing and Resource Management参考文献 24被引用 27

一句话总结

本文提出一种基于马尔可夫决策过程（MDPs）和PRISM工具的正式、概率性模型检查方法，以实现在云环境中的自动化、定量验证弹性。通过动态实例化MDP模型并持续验证系统效用和阈值合规性，该方法在NoSQL数据库集群中显著提升了用户定义的效用，并减少了阈值违规，相较于现有最先进方法具有明显优势。

ABSTRACT

Cloud computing has become the leading paradigm for deploying large-scale infrastructures and running big data applications, due to its capacity of achieving economies of scale. In this work, we focus on one of the most prominent advantages of cloud computing, namely the on-demand resource provisioning, which is commonly referred to as elasticity. Although a lot of effort has been invested in developing systems and mechanisms that enable elasticity, the elasticity decision policies tend to be designed without guaranteeing or quantifying the quality of their operation. This work aims to make the development of elasticity policies more formalized and dependable. We make two distinct contributions. First, we propose an extensible approach to enforcing elasticity through the dynamic instantiation and online quantitative verification of Markov Decision Processes (MDP) using probabilistic model checking. Second, we propose concrete elasticity models and related elasticity policies. We evaluate our decision policies using both real and synthetic datasets in clusters of NoSQL databases. According to the experimental results, our approach improves upon the state-of-the-art in significantly increasing user-defined utility values and decreasing user-defined threshold violations.

研究动机与目标

• 解决现有云系统弹性决策策略中缺乏正确性保证和定量验证的问题。
• 将弹性形式化为自适应计算问题，实现对系统行为和效用的持续验证。
• 开发一种基于MDPs和概率模型检查的动态在线验证框架，以指导弹性决策。
• 在真实和合成的工作负载下对NoSQL数据库集群评估该方法，重点聚焦于效用最大化和阈值违规减少。
• 证明基于模型检查的弹性策略在可行性与优越性方面优于现有启发式方法。

提出的方法

• 将云弹性建模为马尔可夫决策过程（MDP），捕捉非确定性动作（如添加、移除、无操作）和环境演化的概率性特征。
• 使用PRISM概率模型检查工具，以PCTL表达的系统属性进行正式验证，重点关注概率可达性和基于奖励的目标。
• 基于系统效用定义即时奖励，仅在无操作（no_op）动作时计算，以避免累积奖励计算中的路径长度偏差。
• 根据当前工作负载和系统状态在运行时动态实例化MDP模型，实现在线决策。
• 通过标注状态的元数据（previous_action, stop, decision）来引导模型检查并剪枝冗余决策路径。
• 通过分析经验证的MDP模型构建决策策略，以最大化期望效用，确保对系统行为的定量保证。

实验结果

研究问题

• RQ1 概率模型检查能否有效用于验证和指导云系统中的弹性决策？
• RQ2 MDP模型如何实现动态实例化和在线验证，以支持实时弹性控制？
• RQ3 与现有方法相比，基于模型检查的策略在提升系统效用和减少阈值违规方面能达到何种程度？
• RQ4 在基于MDP的弹性决策中，使用即时奖励而非累积奖励会产生何种影响？
• RQ5 形式化验证的集成如何提升动态云环境中弹性策略的可依赖性？

主要发现

• 所提方法在真实和合成的NoSQL数据库工作负载中均显著提升了用户定义的效用值。
• 该方法比现有最先进弹性策略更有效地减少了用户定义的阈值违规频率。
• 动态MDP实例化与在线验证支持了具有定量保证的实时、形式化验证弹性决策。
• 在无操作动作时使用即时奖励，确保了效用估计的准确性，并避免了奖励累积中的路径长度偏差。
• 将基于PRISM的验证与云弹性机制集成，证明了其实际可行性与性能提升。
• 该方法通过形式化优化系统效用并维持服务水平约束，优于基于启发式的弹性策略。