[论文解读] Exact Solutions for M/M/c/Setup Queues

Tuan Phung-Duc|arXiv (Cornell University)|Jun 12, 2014

Advanced Queuing Theory Analysis参考文献 24被引用 4

一句话总结

本文通過生成函數與矩陣分析方法兩種途徑，針對採用開關啟動策略的 M/M/c/Setup 排隊系統，提出了聯合穩態隊列長度分佈的精確解析解。研究推導出生成函數、階乘矩以及條件分解的封閉表達式，並提出一種時間複雜度為 O(c²) 的高效遞迴演算法，深入揭示了資料中心中能耗與性能之間的權衡關係。

ABSTRACT

Recently multiserver queues with setup times have been extensively studied because they have applications in power-saving data centers. The most challenging model is the M/M/$c$/Setup queue where a server is turned off when it is idle and is turned on if there are some waiting jobs. Recently, Gandhi et al.~(SIGMETRICS 2013, QUESTA 2014) present the recursive renewal reward approach as a new mathematical tool to analyze the model. In this paper, we derive exact solutions for the same model using two alternative methodologies: generating function approach and matrix analytic method. The former yields several theoretical insights into the systems while the latter provides an exact recursive algorithm to calculate the joint stationary distribution and then some performance measures so as to give new application insights.

研究动机与目标

• 推導 M/M/c/Setup 排隊系統在開關啟動策略下的聯合穩態隊列長度分佈之精確封閉解。
• 比較與對比兩種分析方法——生成函數法與矩陣分析法——在求解該模型時的表現。
• 提供關於能耗、切換頻率及系統行為在不同流量與設定參數下之性能洞見。
• 建立兩種方法之間的等價性，並揭示其相較於先前遞迴更新獎勵法的計算優勢。

提出的方法

• 採用生成函數法，推導出聯合穩態分佈、生成函數以及任意階階乘矩的精確表達式。
• 運用矩陣分析法，基於速率矩陣 (R) 與首次通過機率矩陣 (G) 建構明確的遞迴演算法，實現高效計算。
• 利用底層連續時間馬可夫鏈中非齊次部分的特殊結構，將生成函數法的計算複雜度降低至 O(c²)，矩陣分析法降低至 O(c³)。
• 應用條件分解法，揭示隊列長度分佈的結構特性。
• 透過分析與數值比較，驗證兩種方法之間的等價性。
• 將框架適配至變體模型，如閾值啟動策略與固定啟動伺服器配置。

实验结果

研究问题

• RQ1 如何利用生成函數法，精確求解採用開關啟動策略的 M/M/c/Setup 排隊系統之聯合穩態隊列長度分佈？
• RQ2 與先前的遞迴更新獎勵法相比，矩陣分析法的計算複雜度與數值效率為何？
• RQ3 在開關啟動策略下，能耗與切換頻率如何隨流量強度 ρ 與設定速率 α 變化？
• RQ4 在何種參數範圍下，開關啟動策略在總成本上優於開機-空閒策略？
• RQ5 所提出的兩種方法是否可延伸至其他變體，如閾值啟動或固定啟動伺服器策略？

主要发现

• 生成函數法可導出聯合穩態隊列長度分佈、生成函數以及任意階階乘矩的精確封閉表達式。
• 矩陣分析法提供時間複雜度為 O(c³) 的高效遞迴演算法，可精確計算各項性能指標。
• 當設定成本比率 rs = Cs/Ca 低於臨界閾值 rρ 時，開關啟動策略在總成本上優於開機-空閒策略，且該臨界值 rρ 隨著流量強度 ρ 增加而降低。
• 切換頻率 E[Sr] 在輕載時隨 ρ 增加而上升，但在重載時下降，顯示系統在極端流量條件下表現最佳。
• 在高設定速率（α = 10, 100）下，總能耗最初隨 ρ 增加，但隨後因重載時伺服器啟動頻率降低而減少。
• 該模型屬於特殊 QBD 類型，其速率矩陣 R 與邊界結構使得計算複雜度顯著低於一般方法。