[论文解读] Multi-resource Fair Allocation with Bounded Number of Tasks in Cloud Computing Systems

Weidong Li, Xi Liu+2 more|arXiv (Cornell University)|Oct 6, 2014

Cloud Computing and Resource Management参考文献 16被引用 10

一句话总结

本文提出了一种用于具有有限任务数的云系统中多资源公平分配的字典序最大最小归一化份额（LMMNS）机制。它提出了一种线性时间最优算法，证明了LMMNS满足无 envy 性和群体策略抗性，并通过实现和近似分析展示了其出色的性能——尤其在两种资源的情况下。

ABSTRACT

Dominant resource fairness (DRF) is a popular mechanism for multi-resource allocation in cloud computing systems. In this paper, we consider a problem of multi-resource fair allocation with bounded number of tasks. Firstly, we propose the lexicographically max-min normalized share (LMMNS) fair allocation mechanism, which is a natural generalization of DRF, and design a non-trivial optimal algorithm to find a LMMNS fair allocation, whose running time is linear in the number of users. Secondly, we prove that LMMNS satisfies envy-freeness (EF) and group strategy-proofness (GSP), and analysis the approximation ratios of LMMNS, by exploiting the properties of the optimal solution. Thirdly, we propose a modified version of LMMNS, which is the second mechanism satisfying sharing incentive, EF, and GSP. Finally, we have implemented LMMNS, and show that it has a good average-case performance, especially when the number of resources is 2.

研究动机与目标

• 解决在每个用户任务数受限的云计算系统中实现多资源公平分配的挑战。
• 通过引入字典序最大最小归一化份额（LMMNS）机制，对主导资源公平（DRF）进行推广。
• 设计一种最优的线性时间算法，用于计算LMMNS分配。
• 证明LMMNS满足关键公平性属性：无 envy 性（EF）和群体策略抗性（GSP）。
• 评估LMMNS的近似比，并提出一种改进版本，以保持共享激励、EF 和 GSP。

提出的方法

• 提出LMMNS作为DRF的推广，优先考虑在用户之间字典序最大化归一化资源份额。
• 设计一种非平凡的最优算法，相对于用户数量在线性时间内计算LMMNS分配。
• 采用一种新颖的归一化技术，以平衡异构资源类型之间的资源份额。
• 分析最优解的结构特性，推导LMMNS的近似比。
• 引入一种改进的LMMNS变体，保持共享激励、EF 和 GSP，同时在特定场景下提升公平性。
• 实现LMMNS并评估其平均情况性能，尤其针对具有两种资源的系统。

实验结果

研究问题

• RQ1 在任务数受限的系统中，如何将多资源公平分配从DRF推广？
• RQ2 在所提出的LMMNS机制下，计算公平分配的最优算法复杂度是多少？
• RQ3 LMMNS是否满足无 envy 性和群体策略抗性？其近似特性如何？
• RQ4 LMMNS的改进版本能否在保持公平性和激励相容性的同时提升共享激励？
• RQ5 LMMNS在实际中表现如何，尤其是在平均情况效率和可扩展性方面？

主要发现

• 已证明LMMNS机制是无 envy 的且具有群体策略抗性，确保了公平性并能抵抗策略性操纵。
• 所提出的算法以相对于用户数量的线性时间计算LMMNS分配，使其在大规模系统中高效。
• LMMNS实现了强大的近似比，理论边界基于最优解的结构推导得出。
• 改进的LMMNS变体满足共享激励、无 envy 性和群体策略抗性，实际中提供了更高的公平性。
• 实现结果表明，LMMNS表现出良好的平均情况性能，尤其在资源数量为两种时。