[论文解读] Multi-objective, Decentralized Dynamic Virtual Machine Consolidation using ACO Metaheuristic in Computing Clouds

Md Hasanul Ferdaus, Manzur Murshed+2 more|arXiv (Cornell University)|Jun 20, 2017

Cloud Computing and Resource Management被引用 14

一句话总结

本文提出了一种基于蚁群优化（ACO）的去中心化、多目标动态虚拟机（VM）整合框架，旨在大规模云数据中心中最小化资源浪费、功耗和虚拟机迁移开销。通过集成一种现实的迁移开销估算模型以及分层去中心化架构，AMDVMC算法相较于现有最先进方法，将功耗降低最多47%，资源浪费降低最多64%，迁移开销降低最多83%。

ABSTRACT

Underutilization of computing resources and high power consumption are two primary challenges in the domain of Cloud resource management. This paper deals with these challenges through offline, migration impact-aware, multi-objective dynamic Virtual Machine (VM) consolidation in the context of large-scale virtualized data center environments. The problem is formulated as an NP-hard discrete combinatorial optimization problem with simultaneous objectives of minimizing resource wastage, power consumption, and the associated VM migration overhead. Since dynamic VM consolidation through VM live migrations have negative impacts on hosted applications performance and data center components, a VM live migration overhead estimation technique is proposed, which takes into account pragmatic migration parameters and overhead factors. In order to tackle scalability issues, a hierarchical, decentralized dynamic VM consolidation framework is presented that helps to localize migration-related network traffic and reduce network cost. Moreover, a multi-objective, dynamic VM consolidation algorithm is proposed by utilizing the Ant Colony Optimization (ACO) metaheuristic, with integration of the proposed VM migration overhead estimation technique. Comprehensive performance evaluation makes it evident that the proposed dynamic VM consolidation approach outpaces the state-of-the-art offline, migration-aware dynamic VM consolidation algorithm across all performance metrics by reducing the overall power consumption by up to 47%, resource wastage by up to 64%, and migration overhead by up to 83%.

研究动机与目标

• 解决大规模云数据中心中高功耗与资源利用率低下这两大挑战。
• 将动态虚拟机整合建模为一个最小化资源浪费、功耗和迁移开销的多目标、NP难离散优化问题。
• 提出一种迁移开销估算技术，综合考虑现实的网络与系统参数，以减少性能下降。
• 设计一种分层去中心化架构，以实现迁移流量的本地化，降低网络成本与可扩展性瓶颈。
• 将ACO元启发式算法与迁移感知优化相结合，实现可扩展、高效且节能的虚拟机整合。

提出的方法

• 将动态虚拟机整合问题建模为一个具有三个目标的离散组合优化任务：最小化资源浪费、功耗和虚拟机迁移开销。
• 提出一种实用的虚拟机迁移开销估算模型，综合考虑网络带宽、虚拟机内存大小和CPU负载等关键因素。
• 设计一种分层去中心化整合框架，以实现决策的本地化，降低迁移操作对全网的影响。
• 实现一种基于多目标ACO的算法（AMDVMC），通过信息素路径与启发式信息引导虚拟机放置决策。
• 将迁移开销估算模型集成到ACO算法中，优先选择能降低整体运行成本的解决方案。
• 在不同规模集群与工作负载的大规模仿真环境中评估该框架，以评估其可扩展性与性能。

实验结果

研究问题

• RQ1 如何优化动态虚拟机整合，以在大规模数据中心中同时减少资源浪费、功耗和迁移开销？
• RQ2 现实的迁移开销估算模型在多大程度上提升了虚拟机整合算法的实际可用性与性能？
• RQ3 去中心化、分层架构能否有效扩展虚拟机整合，同时最小化网络流量与中心化协调？
• RQ4 与现有最先进的迁移感知整合技术相比，基于ACO的多目标优化方法在能效与资源利用率方面表现如何？
• RQ5 所提出的AMDVMC算法的决策时间开销是多少？其是否适用于大规模数据中心的实时或离线整合？

主要发现

• 所提出的AMDVMC算法相较于最先进的迁移感知方法，整体功耗最高降低47%。
• 由于虚拟机整合与服务器利用率的提升，资源浪费最高降低64%。
• 通过集成现实的迁移成本估算模型，虚拟机迁移开销最高降低83%。
• 在去中心化模式下，该算法在大规模数据中心中的决策时间低于10秒；在集中式模式下，决策时间低于30秒，证明其适用于离线应用。
• 分层去中心化框架有效实现了迁移流量的本地化，降低了网络成本与可扩展性瓶颈。
• 全面的仿真结果表明，AMDVMC在能效、资源利用率与运行成本等所有关键指标上均优于现有方法。