Upload
kelsie-kidd
View
50
Download
5
Embed Size (px)
DESCRIPTION
SEAMS 2014. Pooyan Jamshidi / IC4 , School of Computing, Dublin City University , Ireland. Aakash Ahmad / Lero , School of Computing, Dublin City University, Ireland. Claus Pahl / IC4, School of Computing, Dublin City University, Ireland. - PowerPoint PPT Presentation
Citation preview
Autonomic Resource Provisioning for Cloud-Based Software
SEAMS 2014
Pooyan Jamshidi / IC4, School of Computing, Dublin City University,
Ireland.
Aakash Ahmad / Lero, School of Computing, Dublin City University,
Ireland.
Claus Pahl / IC4, School of Computing, Dublin City University, Ireland
2
著者
Pooyan Jamshidi is a PhD candidate in the School of Computing, Faculty of
Engineering and Computing at Dublin City University (DCU) and a research
assisstant at the Irish Centre for Cloud Computing & Commerce (IC4). He was
previously a doctoral researcher at Lero (LGSSE). He is a member of the
Software and Systems Engineering Group and his advisor is Dr. Claus Pahl.
----
Claus Pahl : Cloud ,ソフトウェア工学の専門家、 Lero にも所属
3
1 . Intro (1/2)
クラウドは大きいIT企業のみならずスタートアップ会社でも利用されている。
クラウドのウリは、 Elasticity例) Facebook3 日間で 10 倍のユーザ数の増加 25,000 → 250,000
100ms レスポンスが遅れると、 245mil.$ がなくなる説。(amazon)
自動的なリソース割り当て(オートスケール)はそれゆえ重要。
4
1 . Intro (2/2)
現状のオートスケールの課題① 定量的な指定 :専門的な知識が必要。② しきい値の指定 :一意に指定するけどノイズやスパイクあり。
本論文では、ファジィ理論 (Type2-FLS : Fuzzy Logic systems) を利用した、 RobusT2Scale を提案。
Type2-FLS によって、イタリック部分の表記、スケーラビリティのルールを提供する。
評価の結果、ノイズとかがあっても我々のアプローチは有効に動作。
5
ファジー理論 ( 直観的な説明)
6
Type1 ファジーと Type2 ファジー
■Type1 ファジーグレードを確定値で定義
■Type2 ファジーグレード自体を, 0-1 区間上のファジィ数として定義したもの
■TypeN ファジータイプ 2 ファジィ集合のメンバシップ関数のグレードのメンバシップ関数のグレードをさらにファジィ化するとタイプ 3 ファジィ集合これを繰り返していくと TypeN ファジィ。実用上は Type2 まで。
7
2 . Challenge And Approach2.1 Motivating Example
SAAS のサーベイサイト ( Yahoo のおしえてみたいなものか)
スケーラビリティのためクラウド化 (典型的な三層モデルを提示)
8
9
2 . Challenge And Approach2.2 Research Challenge
RC1: パラメータの予測 - VM の取得とかリリースも即刻できるわけでなくて、 10 分程度のずれRC2: しきい値の定性的な指定 - 上下のしきい値の設定には専門的な知識が必要
RC3: 不確かさのコントロール- 応答時間もクラウドでは一定しないはず
しきい値ベースのルールは一般的だけど、課題あり。
10
2 . Challenge And Approach2.3Solution Overview
オートスケーラー (RobusT2Scale) の提案
11
3 . BACKGROUND ( IT2FS ) Type1 の拡張 (式は割愛) 0,1 でない値の取り扱い、灰色部分 メンバ関数( MF)
12
4 . Elasticity Reasoning Using T2FLS4.1/4.2 Autonomous Control of Elasticity コントロールはMAPEを使う。 Monitor は、クラウドプラットフォームから。たとえば
CloudWatch Execute は API リーズニングP: プロセスS : situationEA: elasticity action
13
4 . Elasticity Reasoning Using T2FLS4.3Extracting Elasticity Knowledge ナレッジは、「 Expert 10 人に聞きました」
14
4 . Elasticity Reasoning Using T2FLS4.4Defining Membership Functions メンバ関数
15
4 . Elasticity Reasoning Using T2FLS4.5/4.6 Basics of the Fuzzy Elasticity Controller X1 = 40 , X2 =50 のとき 6 つのルールが発火! (F: ワークロード、 G: 応答時間) 重心法によって脱ファジー化。 1.0553 個の VM を追加。
16
補足 脱ファジー
17
IT2FLS のアウトプット
インプット (x1,x2) に対して出力 Y を決定
18
■5.1 Paramenter prediction
• WorkLoad の予測に、 double exponential smoothing
• ResponseTime の予測に、 single exponential smoothing
■5.2 Resource Allocation
• Resource Allocator が VM 数を制御
• EC2/ Azure 向けの Termination Policy
• クールダウンピリオド(何もできない時間)
5. Realizing the Auto-Scaler5.1 Parameter Prediction and Smoothing/5.2
19
・ Predictor,Reasoner : Matlab
・ Resource Allocator : C#
5. Realizing the Auto-Scaler5.3Imple.
・ Azure
20
■ RQs
RQ1 : 予測技術の正確性は?
RQ2 : SLA は保証できるか?その時のコストは?
RQ3 : ノイズに対してロバスト?
■ Settings
- BL( アプリケーション ) サーバが増減。
6. Experimental Evaluation
21
縦軸ヒット数、横軸時間
青線が調子良い
6. Experimental Evaluation6.2 Workload Estimation Accuracy(RQ1)
縦軸 RRSE 、横軸:パターン
3 つのパターンではエラーが少ない
22
600ms が SLA
BigSpike を除いて達成している
6. Experimental Evaluation6.3 Effectiveness of RobustT2Sclale(RQ2)
23
10% の WhiteNose を入れた
RMSE(平均二乗誤差)は 10%以下。
6. Experimental Evaluation6.4 Robustness(RQ3)
24
RT2Scale は独立
パラメータ数少ない
オフライン学習なし
ルール爆発なし
Limitations
6つのワークロードパターン
3 層アプリのみ
マルチクラウドプロバイダ
BL 層のみ
7. Discussion
25
① 定性的な指定
② ノイズとロバストなリソース調整
③ コンフリクトルールの制御
Reactive Auto Scaling 閾値の設定、コスト増加、知識要
Proactive Auto Scaling 予測はデータ要、学習も学習時間要等
Hybrid Auto Scaling 本研究はここに位置づく スケールアップも可能 ファジー理論でも T1 のみ、 T2 での不確かさは本研究のみ
8. Related Work
26
クラウドでの動的なリソース配置
ワークロードの増加と SLA を満たしつつ、調整
ハイブリッドなオートスケーラーを提案
ファジー理論により①定性的な指定、②コンフリクトルールの制御を可能とした。
将来研究
- 複数プラットフォームでの適用
- 他のオートスケーラーとの比較
Conclusion