کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
11002651 1446733 2018 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Fast resource scaling in elastic clusters with an agile method for demand estimation
ترجمه فارسی عنوان
مقیاس سریع منابع در خوشه های الاستیک با یک روش چابک برای برآورد تقاضا
کلمات کلیدی
محاسبات سبز، خوشه الاستیک برآورد تقاضا، مقیاس منابع، مدیریت منابع،
ترجمه چکیده
برای صرفه جویی در انرژی، خوشه های الاستیک معرفی شده اند تا انرژی مورد نیاز برای خاموش کردن سرورهای استفاده نشده را کاهش دهند. در یک خوشه الاستیک، تعداد سرورهای کارگر یا منابع نامیده می شود، به صورت پویا بر اساس تقاضای منابع حجم کار مقیاس می شود. با این حال، بسیاری از روشهای مقیاس سنتی از تقاضای منابع دقیق حجم کار بی اطلاع هستند. آنها به تدریج منابع را براساس سطح سرویس فعلی با تخمین های تقاضای تقاضا یا حتی بدون برآورد می سنجند. علاوه بر این، برای ارائه توانایی برای ارزیابی تقاضای دقیق، برخی از روش های دیگر پیشنهاد شده است. آنها مصنوعی وضعیت سیستم را با یک مدل کلی نشان می دهند، اما این مدل ممکن است به درستی واقعیت را منعکس نکند زیرا اغلب توصیف وضعیت واقعی یک سیستم دشوار است. برای هر دو از این روشها، وقتی تغییرات تقاضا تغییر نمی کند، منابع به طور تقریبی نمی توانند مقیاس شوند، و پس از آنکه منابع به تقاضا تقلیل می یابند، تاخیر زمانی وجود دارد. این تاخیر پوسته پوسته شدن باعث کاهش عملکرد در هنگام افزایش حجم کار خواهد شد و زمانی که حجم کار کاهش می یابد، باعث تلف شدن انرژی می شود. در این مقاله تلاش می کنیم تا تقاضای واقعی حجم کار را به طور موثر و مقیاس سرعت سریع منابع در خوشه های الاستیک محاسبه کنیم. بر خلاف روش های سنتی که تلاش زیادی برای درک وضعیت سیستم پیچیده می کنند، ما تنها بر اطلاعاتی از نیازهای واقعی منابع گذشته تمرکز می کنیم. این اطلاعات در واقع انعکاسی ترین و مستقیم ترین و دقیق به وضعیت واقعی یک سیستم خاص است، به طوری که در آن حاوی اطلاعات ارزشمندی برای برآورد تقاضای واقعی منابع بار جدید ورودی است. بنابراین، ما پیشنهاد یک روش چابک برای مستقیم تقاضای منابع بر اساس آن دانش را تخمین می زنیم، به این ترتیب به دقت بالا می رسیم. به طور خاص، روش ما به طور مستقیم دانش را از طریق یک روش یادگیری جنگل های تصادفی یاد می گیرد، بنابراین نیازی به تجزیه و تحلیل سیستم های مصنوعی نیست که هر دو پیچیده و وقت گیر هستند. علاوه بر این، کارآمد ساخت جنگل های تصادفی و ارزیابی منابع در روش ما است. بنابراین، روش ما می تواند کارآمد و چابک در خوشه های الاستیک انجام برای کاهش تاخیر پوسته پوسته شدن و به دست آوردن سریع مقیاس منابع.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر علوم کامپیوتر (عمومی)
پیش نمایش مقاله
مقیاس سریع منابع در خوشه های الاستیک با یک روش چابک برای برآورد تقاضا
چکیده انگلیسی
For energy saving, elastic clusters are introduced to cut back the energy wasted on powering unused servers. In an elastic cluster, the number of working servers, or called resources, is dynamically scaled based on resource demand of workload. However, many traditional scaling methods are unaware of an exact resource demand of workload. They gradually scale resources according to current service level with loose demand estimations or even with no estimation. Additionally, to provide the ability to make precise demand estimations, some other methods are proposed. They artificially represent system situation with a general model, but the model may not well reflect the reality because it is often difficult to describe the real situation of a system. For both of these methods, resources cannot be exactly scaled to the demand when demand changes, and there is a time delay before resources are scaled to the demand. This scaling delay will incur a performance degradation when workload increase, and will cause an energy waste when workload decrease. In this paper, we strive to efficiently estimate the actual demand of workload and achieve fast resource scaling in elastic clusters. Unlike traditional methods which make great efforts to understand the complex system situation, we only concentrate on the information of past actual resource demands. This information is actually the most straightforward and valid reflection to the real situation of a specific system, so it contains valuable knowledge for estimating the actual resource demand of new incoming workload. Therefore, we propose an agile method to directly estimate resource demand based on that knowledge, thus achieving a high accuracy. Specifically, our method directly learns that knowledge through a learning method-random forests, so it does not need artificial system analyses which are both complex and time-consuming. In addition, it is efficient to build random forests and make resource estimations in our method. Thus, our method can be efficiently and agilely performed in elastic clusters to reduce the scaling delay and achieve fast resource scaling.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Sustainable Computing: Informatics and Systems - Volume 19, September 2018, Pages 165-173
نویسندگان
, ,