[论文解读] Energy Efficient Scheduling of Application Components via Brownout and Approximate Markov Decision Process

Minxian Xu, Rajkumar Buyya|arXiv (Cornell University)|Jun 7, 2017

Cloud Computing and Resource Management参考文献 16被引用 3

一句话总结

本文提出一种基于低负载的近似马尔可夫决策过程（BMDP），通过动态停用非必需的应用组件来优化云数据中心的能效。在平衡节能与用户折扣成本之间，BMDP相比虚拟机整合技术将能耗降低20%，相比先前的低负载方法将折扣成本降低30-50%，实现了节能与收入损失之间更优的权衡。

ABSTRACT

Unexpected loads in Cloud data centers may trigger overloaded situation and performance degradation. To guarantee system performance, cloud computing environment is required to have the ability to handle overloads. The existing approaches, like Dynamic Voltage Frequency Scaling and VM consolidation, are effective in handling partial overloads, however, they cannot function when the whole data center is overloaded. Brownout has been proved to be a promising approach to relieve the overloads through deactivating application non-mandatory components or microservices temporarily. Moreover, brownout has been applied to reduce data center energy consumption. It shows that there are trade-offs between energy saving and discount offered to users (revenue loss) when one or more services are not provided temporarily. In this paper, we propose a brownout-based approximate Markov Decision Process approach to improve the aforementioned trade-offs. The results based on real trace demonstrate that our approach saves 20% energy consumption than VM consolidation approach. Compared with existing energy-efficient brownout approach, our approach reduces the discount amount given to users while saving similar energy consumption.

研究动机与目标

• 为解决系统级过载期间传统方法（如DVFS和虚拟机整合）失效时云数据中心的能效低下问题。
• 在应用低负载导致临时服务停用（即折扣）的情况下，管理节能与收入损失之间的权衡。
• 开发一种智能、自适应的调度策略，根据利用率和经济影响选择最优组件进行停用。
• 通过使用近似马尔可夫决策过程（MDP）改进现有低负载方法，实现更优的长期节能与成本优化。

提出的方法

• 将应用组件划分为必需与可选两类，其中可选组件可通过低负载技术临时停用，以减少资源使用与能耗。
• 引入马尔可夫决策过程（MDP）框架，建模随时间推移的组件停用决策，考虑基于工作负载与组件利用率的状态转移。
• 应用近似MDP技术以降低计算复杂度，实现在大规模云环境中实时决策。
• 采用兼顾节能与用户折扣成本的奖励函数，优化长期系统能效。
• 采用基于启发式的组件选择策略（HUPRFCS）作为对比基线，优先停用利用率高且折扣率高的组件。
• 利用真实数据中心追踪数据验证方法，模拟动态工作负载，并在不同过载条件下评估性能。

实验结果

研究问题

• RQ1 在传统资源管理技术失效的系统级过载场景下，如何提升云数据中心的能效？
• RQ2 在通过低负载停用非必要应用组件时，节能与收入损失（折扣）之间的最优权衡是什么？
• RQ3 近似马尔可夫决策过程能否优于基于启发式的低负载策略，在节能与经济成本之间实现更优平衡？
• RQ4 可选组件利用率的百分比如何影响所提节能策略的性能？

主要发现

• 与虚拟机整合基线相比，BMDP将能耗降低20%，在过载数据中心场景中展现出显著节能效果。
• BMDP在节能效果上与先前的低负载方法（HUPRFCS）相当，但将提供给用户的折扣降低了30-50%，显著提升了成本效率权衡。
• 当可选组件利用率提升至100%时，BMDP实现最高达20%的节能，能耗降至551.6 kWh（95%置信区间：545.8–557.4 kWh）。
• BMDP提供的折扣比例降至3–11%，相比HUPRFCS的11–20%，表明其经济效率更优。
• 配对t检验显示BMDP与HUPRFCS在能耗上无显著差异（p值≥0.057），证实其在更低经济成本下保持相当的性能。
• 该方法在不同过载阈值（80–95%）和可选利用率水平下均保持稳健，性能与效率稳定一致。