[论文解读] To Reserve or Not to Reserve: Optimal Online Multi-Instance Acquisition in IaaS Clouds

Wei Wang, Baochun Li+1 more|arXiv (Cornell University)|May 24, 2013

Optimization and Search Problems参考文献 20被引用 44

一句话总结

本文提出了两种在线算法——确定性和随机性算法，用于在IaaS云中实现最优的多实例获取，且无需未来需求知识。证明了这两种算法的竞争比分别为$2 - \alpha$和$e/(e-1 + \alpha)$，均为最优，与按需定价相比显著降低了成本，且在真实世界EC2定价下表现优异。

ABSTRACT

Infrastructure-as-a-Service (IaaS) clouds offer diverse instance purchasing options. A user can either run instances on demand and pay only for what it uses, or it can prepay to reserve instances for a long period, during which a usage discount is entitled. An important problem facing a user is how these two instance options can be dynamically combined to serve time-varying demands at minimum cost. Existing strategies in the literature, however, require either exact knowledge or the distribution of demands in the long-term future, which significantly limits their use in practice. Unlike existing works, we propose two practical online algorithms, one deterministic and another randomized, that dynamically combine the two instance options online without any knowledge of the future. We show that the proposed deterministic (resp., randomized) algorithm incurs no more than 2-alpha (resp., e/(e-1+alpha)) times the minimum cost obtained by an optimal offline algorithm that knows the exact future a priori, where alpha is the entitled discount after reservation. Our online algorithms achieve the best possible competitive ratios in both the deterministic and randomized cases, and can be easily extended to cases when short-term predictions are reliable. Simulations driven by a large volume of real-world traces show that significant cost savings can be achieved with prevalent IaaS prices.

研究动机与目标

• 解决在随时间变化的工作负载下，动态结合按需实例与预留实例以最小化成本的挑战。
• 克服现有策略依赖长期需求预测或精确未来知识的局限性。
• 设计可在无未来需求先验知识的前提下实时做出预留决策的实用在线算法。
• 为确定性和随机性在线算法在多实例预留场景下建立最佳可能的竞争比。
• 将算法扩展至可利用短期需求预测的情形，并基于真实世界数据轨迹评估性能。

提出的方法

• 使用动态规划形式化最优离线预留策略，作为竞争分析的基准。
• 设计一种基于当前需求和折扣因子$\alpha$的确定性在线算法，实现$2 - \alpha$的竞争比。
• 开发一种基于概率决策的随机性在线算法，将期望竞争比提升至$e/(e-1 + \alpha)$。
• 证明两种算法在其各自类别中均达到最优竞争比，确立理论最优性。
• 通过修改决策规则以包含预测的需求时段，将算法扩展以整合短期需求预测。
• 利用40 GB的真实Google集群使用轨迹进行大规模仿真，评估Amazon EC2定价下的成本节约效果。

实验结果

研究问题

• RQ1 能否在无未来需求知识的前提下，通过在线算法动态结合IaaS云中的按需实例与预留实例，同时实现近似最优成本？
• RQ2 在IaaS多实例预留场景下，确定性在线算法可实现的最佳竞争比是多少？
• RQ3 在IaaS多实例预留场景下，随机性在线算法可实现的最佳竞争比是多少？
• RQ4 当应用于真实世界云使用轨迹时，所提算法在实际中表现如何？
• RQ5 算法能否在不牺牲理论保证的前提下，扩展以利用短期需求预测？

主要发现

• 确定性在线算法实现了$2 - \alpha$的竞争比，这是多实例预留问题中所有确定性算法的最优结果。
• 随机性在线算法在期望下实现了$e/(e-1 + \alpha)$的竞争比，这是该场景下随机算法的最优结果。
• 在Amazon EC2定价下（$\alpha \approx 0.51$），确定性算法保证成本不超过最优离线成本的1.51倍。
• 在相同定价下，随机性算法在期望下保证成本不超过最优离线成本的1.23倍。
• 基于真实Google集群轨迹的仿真显示，与纯按需或启发式预留策略相比，成本显著降低。
• 算法可有效扩展至具备可靠短期需求预测的场景，进一步提升成本效率。