[论文解读] CloudGenius: Automated Decision Support for Migrating Multi-Component Enterprise Applications to Clouds

Michael Menzel, Rajiv Ranjan|arXiv (Cornell University)|Dec 16, 2011

Cloud Computing and Resource Management参考文献 19被引用 5

一句话总结

CloudGenius 是一个推荐框架，通过应用层次分析法（AHP）在成本、性能和兼容性等冲突标准之间取得平衡，自动选择多组件企业应用在云迁移过程中的最优虚拟机镜像和基础设施即服务（IaaS）。使用 CumulusGenius 原型进行的实验表明，解的复杂度随组件和组合数量的增加呈指数级增长，但该框架实现了跨异构云提供商的可扩展、多标准决策支持。

ABSTRACT

One of the key problems in migrating multi-component enterprise applications to Clouds is selecting the best mix of VM images and Cloud infrastructure services. A migration process has to ensure that Quality of Service (QoS) requirements are met, while satisfying conflicting selection criteria, e.g. throughput and cost. When selecting Cloud services, application engineers must consider heterogeneous sets of criteria and complex dependencies across multiple layers impossible to resolve manually. To overcome this challenge, we present the generic recommender framework CloudGenius and an implementation that leverage well known multi-criteria decision making technique Analytic Hierarchy Process to automate the selection process based on a model, factors, and QoS requirements related to enterprise applications. In particular, we introduce a structured migration process for multi-component enterprise applications, clearly identify the most important criteria relevant to the selection problem and present a multi-criteria-based selection algorithm. Experiments with the software prototype CumulusGenius show time complexities.

研究动机与目标

• 解决在云迁移过程中，手动选择多组件企业应用最优虚拟机镜像和 IaaS 服务组合的挑战。
• 在异构云提供商之间自动化决策过程，同时平衡成本、吞吐量和兼容性等冲突标准。
• 提供一种结构化、可重复的迁移流程，支持服务质量、成本和系统依赖性之间的权衡。
• 通过算法推荐减少将复杂 IT 系统结构映射到云资源时的时间复杂度和人为错误。
• 通过建模软件和基础设施层之间的依赖关系和约束，支持跨提供商的选择。

提出的方法

• 该框架使用 $(MC^{2})^{2}$ 多标准决策过程，将选择建模为层次化评估问题。
• 通过成对比较和加权评分，应用层次分析法（AHP）实现标准之间的权衡。
• 定义数据模型以表示虚拟机镜像、IaaS 服务及其属性（例如，虚拟化格式、操作系统、成本、性能）。
• 系统计算所有可行的虚拟机镜像与服务组合的综合值，同时考虑组件之间的网络成本。
• 时间复杂度计算为 O(l²)，用于网络成本计算，并随组件数量 l 增加而扩展，导致总解的复杂度呈指数增长。
• 实现版本 CumulusGenius 提供 Java 类库，并正在扩展支持 Web 前端以及与云服务数据库的集成。

实验结果

研究问题

• RQ1 如何为多组件云迁移中选择最优虚拟机镜像和 IaaS 服务组合提供自动化决策支持？
• RQ2 哪种多标准决策方法最能平衡云服务选择中成本、性能和兼容性等冲突目标？
• RQ3 选择过程的时间复杂度如何随组件数量和可用服务选项数量而变化？
• RQ4 组件间网络成本对整体选择和优化过程有何影响？
• RQ5 该框架如何在保持兼容性和 QoS 约束的前提下支持跨提供商选择？

主要发现

• 找到解的总时间随虚拟机镜像和 IaaS 服务数量的增加而呈指数级增长，尤其是在评估所有组件组合时。
• 每增加一个组件，计算时间线性增加，表明在超过三个组件后存在可扩展性挑战。
• 大部分计算时间用于评估组合解，尤其是在多提供商和多种网络配置下。
• 该框架成功建模了软件和 IaaS 层之间的依赖关系和约束，实现了跨提供商的自动化推荐。
• 实现版本 CumulusGenius 在配备 Intel Core i7 和 8GB 内存的测试机上展示了可行性，支持合成数据生成以供评估。
• 未来预期与 CloudHarmony 等基准测试工具以及 thecloudmarket.com 等云市场集成，以提升数据完整性和决策准确性。