[论文解读] Combination of Convolutional Neural Network and Gated Recurrent Unit for Energy Aware Resource Allocation

Zeinab Khodaverdian, Hossein Sadr+2 more|arXiv (Cornell University)|Jun 23, 2021

Cloud Computing and Resource Management参考文献 61被引用 5

一句话总结

本文提出一种混合CNN-GRU模型，基于虚拟机（VM）的延迟敏感性对云数据中心中的虚拟机进行分类，通过智能虚拟机迁移实现节能型资源分配。利用Microsoft Azure数据集，该模型在分类虚拟机方面达到95.18%的准确率，显著优于现有方法，实现了虚拟机的高效整合，从而降低能耗，同时将SLA违规降至最低。

ABSTRACT

Cloud computing service models have experienced rapid growth and inefficient resource usage is known as one of the greatest causes of high energy consumption in cloud data centers. Resource allocation in cloud data centers aiming to reduce energy consumption has been conducted using live migration of Virtual Machines (VMs) and their consolidation into the small number of Physical Machines (PMs). However, the selection of the appropriate VM for migration is an important challenge. To solve this issue, VMs can be classified according to the pattern of user requests into sensitive or insensitive classes to latency, and thereafter suitable VMs can be selected for migration. In this paper, the combination of Convolution Neural Network (CNN) and Gated Recurrent Unit (GRU) is utilized for the classification of VMs in the Microsoft Azure dataset. Due to the fact the majority of VMs in this dataset are labeled as insensitive to latency, migration of more VMs in this group not only reduces energy consumption but also decreases the violation of Service Level Agreements (SLA). Based on the empirical results, the proposed model obtained an accuracy of 95.18which clearly demonstrates the superiority of our proposed model compared to other existing models.

研究动机与目标

• 为解决因资源使用效率低下导致的云数据中心高能耗问题。
• 通过根据虚拟机的延迟敏感性智能选择用于实时迁移的虚拟机，改进节能型资源分配。
• 通过虚拟机整合降低能耗，同时将服务等级协议（SLA）违规降至最低。
• 开发一种机器学习模型，准确将虚拟机分类为延迟敏感与不敏感类别，以支持最优迁移决策。
• 证明混合CNN-GRU架构在分类虚拟机工作负载以实现节能型云管理方面优于现有模型。

提出的方法

• 所提出的模型结合卷积神经网络（CNNs）从时间序列工作负载模式中提取空间特征，以及门控循环单元（GRUs）对时间依赖性进行序列建模。
• 输入数据由来自Microsoft Azure数据集的历史CPU和内存利用率轨迹组成，代表虚拟机工作负载。
• CNN层从输入序列中提取相关空间特征，随后由GRU层处理以建模虚拟机请求模式中的长期依赖性。
• 分类头输出虚拟机为延迟敏感或不敏感的概率，以指导迁移决策。
• 模型采用交叉熵损失进行端到端训练，并通过Adam优化器进行优化，以最大化分类准确率。
• 该架构在真实世界的工作负载轨迹上进行评估，以评估其在节能型虚拟机整合分类中的性能。

实验结果

研究问题

• RQ1 基于工作负载模式，混合CNN-GRU模型能否有效将虚拟机分类为延迟敏感与不敏感类别？
• RQ2 与现有机器学习模型相比，所提出的CNN-GRU模型在云环境中虚拟机分类的准确率如何？
• RQ3 通过优化实时迁移，准确的虚拟机分类能在多大程度上降低云数据中心的能耗？
• RQ4 尽管数据集中大多数虚拟机被标记为对延迟不敏感，该模型是否仍能保持高准确率？
• RQ5 该模型能否通过避免迁移延迟敏感工作负载来支持SLA合规性？

主要发现

• 所提出的CNN-GRU模型在Microsoft Azure数据集上实现了95.18%的分类准确率，表明其在识别虚拟机延迟敏感性方面表现优异。
• 该模型在分类虚拟机方面显著优于现有基线模型，表明其在捕捉复杂工作负载模式方面的有效性。
• 高准确率可实现对延迟不敏感虚拟机的可靠识别，这些虚拟机可安全迁移以整合到更少的物理机中。
• 通过优先迁移延迟不敏感虚拟机，该模型可在不增加SLA违规风险的前提下实现显著的节能效果。
• 结果证实，结合CNN进行空间特征提取与GRU进行时间建模，可显著提升云资源管理中的分类性能。
• 该模型在数据不平衡情况下的鲁棒性表明其在大多数虚拟机对延迟不敏感的真实云环境中具有实际可行性。