[论文解读] Scalarization Methods for Many-Objective Virtual Machine Placement of Elastic Infrastructures in Overbooked Cloud Computing Data Centers Under Uncertainty

Augusto Amarilla|arXiv (Cornell University)|Feb 12, 2018

Cloud Computing and Resource Management参考文献 27被引用 4

一句话总结

本文提出了一种在不确定环境下针对过度预订云数据中心的多目标虚拟机放置问题的两阶段标量化方法，采用到原点的欧几里得距离作为标量化方法。结果表明，该方法在最小化功耗和提升资源利用率方面优于其他方法，仿真结果显示其性能优于启发式算法，并通过带有虚拟机迁移的膜状算法实现了高效的离线优化。

ABSTRACT

Cloud computing datacenters provide thousands to millions of virtual machines (VMs) on-demand in highly dynamic environments, requiring quick placement of requested VMs into available physical machines (PMs). Due to the randomness of customer requests, the Virtual Machine Placement (VMP) should be formulated as an online optimization problem. The first part of this work analyzes alternatives to solve the formulated problem, an experimental comparison of five different online deterministic heuristics against an offline memetic algorithm with migration of VMs was performed, considering several experimental workloads. Simulations indicate that First-Fit Decreasing algorithm (A4) outperforms other evaluated heuristics on average. This work presents a two-phase schema formulation of a VMP problem considering the optimization of three objective functions in an IaaS environment with elasticity and overbooking capabilities. The two-phase schema formulation describes that the allocation of the VMs can be separated into two sub-problems, the incremental allocation (iVMP) and the reconfiguration of a placement (VMPr). To analyze alternatives to solve the formulated problem, an experimental comparison of three different objective function scalarization methods as part of the iVMP and VMPr was performed considering several experimental workloads. Simulations indicate that the Euclidean distance to origin outperforms other evaluated scalarization methods on average. In order to portray the dynamic nature of an IaaS environment a customizable workload trace generator was developed to simulate uncertainty in the scenarios with elasticity and overbooking of resources in VM requests. Experimental results proved that the Euclidean distance is preferable over the other scalarizatiom methods to improve the values of the power consumption objective function.

研究动机与目标

• 解决在具有弹性与不确定性的动态多目标虚拟机放置（VMP）在过度预订的基础设施即服务（IaaS）云环境中的挑战。
• 优化四个关键目标：功耗、经济效益、服务质量以及资源利用率，在面向提供商的VMP公式中。
• 评估并比较标量化方法，将多目标VMP转化为动态在线环境下的单目标优化问题。
• 开发可定制的工作负载追踪生成器，以模拟云工作负载中的现实不确定性、弹性与过度预订。
• 将标量化技术的性能与在线启发式算法及带有虚拟机迁移的离线膜状算法进行基准对比

提出的方法

• 提出一种两阶段VMP架构：增量虚拟机放置（iVMP）与现有放置的重新配置（VMPr），将分配与优化解耦。
• 应用三种标量化方法——加权和、切比雪夫距离与到原点的欧几里得距离，将多目标问题转化为单目标优化问题。
• 使用自定义的云工作负载追踪生成器（CWTG）模拟随机性、弹性与过度预订的虚拟机请求，以捕捉现实世界的不确定性。
• 采用带有虚拟机迁移的膜状算法进行离线优化，作为在线启发式算法的性能基准。
• 评估五种在线确定性启发式算法（如首次适应、最佳适应、首次适应递减）并将其与离线膜状解进行比较。
• 通过多种工作负载的基于仿真的实验，评估标量化方法在功耗、收益与资源利用率方面的性能

实验结果

研究问题

• RQ1 在不确定环境下的多目标VMP中，哪种标量化方法——加权和、切比雪夫距离或到原点的欧几里得距离——在最小化功耗与提升资源利用率之间实现最佳权衡？
• RQ2 在线启发式算法（如首次适应递减）与带有虚拟机迁移的离线膜状算法相比，在解质量与重新配置成本方面表现如何？
• RQ3 在离线环境中使用虚拟机迁移与静态放置相比，能在多大程度上提升VMP解的质量？
• RQ4 所提出的CWTG在模拟真实、弹性与过度预订的云工作负载方面，对评估VMP算法的有效性如何？
• RQ5 两阶段架构（iVMP + VMPr）能否有效实现动态分配与重新配置的解耦，从而实现实时环境下的可扩展与自适应VMP？

主要发现

• 在所有评估的工作负载中，到原点的欧几里得距离标量化方法在最小化功耗方面优于加权和与切比雪夫距离方法。
• 在五种在线启发式算法中，首次适应递减（FFD）算法在平均解质量方面表现最佳，尤其在平衡资源利用率与功耗效率方面表现突出。
• 与在线启发式算法相比，带有虚拟机迁移的离线膜状算法显著提升了解的质量，证明了重新配置在优化长期目标方面的价值。
• 两阶段架构有效实现了增量放置与重新配置的分离，使系统能够动态适应变化的工作负载，同时保持优化的保真度。
• 自定义的CWTG成功生成了真实、弹性与过度预订的工作负载，使云环境中不确定性的有效模拟成为可能。
• 仿真结果证实，通过到原点的欧几里得距离进行标量化，可在各项目标之间实现更优的权衡，尤其在降低功耗的同时不牺牲资源利用率或收益。