A Cost-Aware Mechanism for Optimized Resource Provisioning in Cloud Computing

要約

最近、クラウド コンピューティングで計算リソースが広く使用されているため、リソース プロビジョニングの新たな課題が生じています。
リソース プロビジョニング技術では、リクエストの要件を満たしながら、総コストを最小限に抑える必要があります。
クラウド サービスが広く使用されていることから、コスト効率よくサービスをプロビジョニングするための効果的なスキームを開発することはより困難であると思われます。
私たちは、需要のコスト削減を保証する新しい学習ベースのリソース プロビジョニング アプローチを提案しました。
最適化されたリソース プロビジョニング (ORP) アプローチの貢献は次のとおりです。
まず、要求されたアプリケーションのプロビジョニングを効率的に処理するためのコスト効率の高い方法を提供するように設計されています。
既存のモデルのほとんどはタスクの依存関係を考慮した一般的なワークフローのみを許可しますが、ORP はアプリケーションを構成するサービスに基づいて実行し、それらの効率的なプロビジョニングを全体的に考慮します。
第 2 に、これは、要求されたアプリケーションの各サービスをホストするために最も適切なリソースを選択する学習オートマトン ベースのアプローチです。
私たちのアプローチでは、アプリケーションを導入する際のコストとサービス要件の両方を考慮します。
3 番目に、データ集約型、プロセス集約型、および通常のアプリケーションという 3 つの典型的なワークロードに対して包括的な評価が実行されます。
実験結果は、私たちの方法がほとんどの要件を効率的に適応させ、さらに結果として得られるパフォーマンスが設計目標を満たしていることを示しています。

要約(オリジナル)

Due to the recent wide use of computational resources in cloud computing, new resource provisioning challenges have been emerged. Resource provisioning techniques must keep total costs to a minimum while meeting the requirements of the requests. According to widely usage of cloud services, it seems more challenging to develop effective schemes for provisioning services cost-effectively; we have proposed a novel learning based resource provisioning approach that achieves cost-reduction guarantees of demands. The contributions of our optimized resource provisioning (ORP) approach are as follows. Firstly, it is designed to provide a cost-effective method to efficiently handle the provisioning of requested applications; while most of the existing models allow only workflows in general which cares about the dependencies of the tasks, ORP performs based on services of which applications comprised and cares about their efficient provisioning totally. Secondly, it is a learning automata-based approach which selects the most proper resources for hosting each service of the demanded application; our approach considers both cost and service requirements together for deploying applications. Thirdly, a comprehensive evaluation is performed for three typical workloads: data-intensive, process-intensive and normal applications. The experimental results show that our method adapts most of the requirements efficiently, and furthermore the resulting performance meets our design goals.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google