[论文解读] Performance-oriented Cloud Provisioning: Taxonomy and Survey

Yasir Shoaib, Olivia Das|arXiv (Cornell University)|Nov 19, 2014

Cloud Computing and Resource Management参考文献 49被引用 11

一句话总结

本文提出了一种面向性能的云资源供给的全面分类法与综述，重点研究云环境中动态资源分配。它从利益相关者、目标和技术等多个维度，对供给类型（反应式/主动式、横向/纵向）进行分类，并评估了用于虚拟机和应用部署的算法，以优化性能、成本和能效。

ABSTRACT

Cloud computing is being viewed as the technology of today and the future. Through this paradigm, the customers gain access to shared computing resources located in remote data centers that are hosted by cloud providers (CP). This technology allows for provisioning of various resources such as virtual machines (VM), physical machines, processors, memory, network, storage and software as per the needs of customers. Application providers (AP), who are customers of the CP, deploy applications on the cloud infrastructure and then these applications are used by the end-users. To meet the fluctuating application workload demands, dynamic provisioning is essential and this article provides a detailed literature survey of dynamic provisioning within cloud systems with focus on application performance. The well-known types of provisioning and the associated problems are clearly and pictorially explained and the provisioning terminology is clarified. A very detailed and general cloud provisioning classification is presented, which views provisioning from different perspectives, aiding in understanding the process inside-out. Cloud dynamic provisioning is explained by considering resources, stakeholders, techniques, technologies, algorithms, problems, goals and more.

研究动机与目标

• 为应对在波动的应用工作负载下动态供给云资源以维持高性能，同时最小化成本和能耗的挑战。
• 澄清并标准化资源供给术语，并在资源类型、供给类型和利益相关者等多个维度上对动态供给进行分类。
• 识别并分析动态供给中使用的关键算法与技术，特别是针对虚拟机和应用部署，以支持性能、成本和能效。
• 为理解与比较云计算中现有的动态供给方法提供一个结构化框架。

提出的方法

• 基于利益相关者、资源类型、供给类型（反应式/主动式、横向/纵向）和目标（性能、成本、能耗）提出云动态供给的多维分类方法。
• 回顾并分类现有动态供给算法，包括预测模型（如 Fast Up 和 Slow Down 算法）、模拟退火法，以及用于资源分配的混合整数线性规划（MILP）。
• 分析部署策略，如应用与虚拟机之间的一对一映射，以及多虚拟机应用部署，以评估其对性能和效率的影响。
• 评估多维装箱问题和向量装箱技术在虚拟机和服务部署中的应用，将其建模为优化问题以最大化资源利用率。
• 引入标准化符号，以清晰描述并比较不同研究中的资源供给与部署策略。
• 利用先前研究中的仿真和基于测量的结果，验证所选算法在提升性能和资源利用率方面的有效性。

实验结果

研究问题

• RQ1 如何在利益相关者、资源类型和供给策略等多个维度上系统性地对云资源供给进行分类？
• RQ2 在动态云环境中，反应式与主动式供给的关键差异和权衡是什么？
• RQ3 横向与纵向供给如何影响应用性能和资源效率？
• RQ4 在性能、成本和能效方面，哪些算法和技术对动态虚拟机和应用部署最为有效？
• RQ5 动态供给中的常见目标与目的有哪些？现有方法如何在这些目标之间实现平衡？

主要发现

• Fast Up 和 Slow Down（FUSD）算法能有效预测资源利用率，并在多资源分配中最小化偏差，从而提升性能和稳定性。
• 基于模拟退火法的资源分配在仿真中优于先来先服务（First-Come-First-Serve）策略，实现了更高的平均资源利用率。
• 以最大化‘最小收益’为目标的混合整数线性规划（MILP）模型，可提升共享虚拟化环境中的公平性与性能。
• 基于工作负载预测的主动式供给相比反应式方法，能减少响应时间与资源利用率不足的问题。
• 许多研究未明确说明其资源供给或部署策略，凸显了建立标准化符号以提升可复现性与可比性的必要性。
• 动态供给显著减少了过度配置与配置不足，从而在云数据中心中实现成本节约与能效提升。