ПРОСТОЙ ЭВРИСТИЧЕСКИЙ АЛГОРИТМ ДИНАМИЧЕСКОГО ПЕРЕРАСПРЕДЕЛЕНИЯ ВМ В IAAS ОБЛАКАХ

  • Никита Александрович Балашов Объединенный институт ядерных исследований http://orcid.org/0000-0002-3646-0522
  • Александр Владимирович Баранов Объединенный институт ядерных исследований http://orcid.org/0000-0002-3568-4196
  • Иван Сергеевич Кадочников Объединенный институт ядерных исследований http://orcid.org/0000-0001-8026-3190
  • Владимир Васильевич Кореньков Объединенный институт ядерных исследований; Российский экономический университет им. Г.В. Плеханова http://orcid.org/0000-0002-2342-7862
  • Николай Александрович Кутовский Объединенный институт ядерных исследований http://orcid.org/0000-0002-2920-8775
  • Игорь Станиславович Пелеванюк Объединенный институт ядерных исследований http://orcid.org/0000-0002-4353-493X

Аннотация

Одним из наиболее популярных видов использования облачных технологий как в науке в целом, так и в физике высоких энергий в частности, является построение облачных вычислительных центров, основанных на модели Инфраструктура как услуга (англ. Infrastructure-as-a-Service, IaaS). Условия предоставления пользователям виртуальных машин (ВМ) могут различаться, но в большинстве случаев можно диагностировать проблему неэффективного использования ресурсов. В данной статье авторами представлен разработанный метод повышения эффективности использования облачных ресурсов, в основе которого лежит идея динамического перераспределения ВМ на физическом оборудовании. Предлагаемый метод разработан на основании результатов проведенного авторами статьи анализа потребления облачных ресурсов в научной сфере на примере облачной инфраструктуры Объединенного института ядерных исследований (ОИЯИ). В данной статье авторы рассматривают вариант реализации предложенного метода - эвристический алгоритм динамического перераспределения ВМ на основе двухранговой стратегии. Задачей предлагаемого алгоритма является минимизация количества простаивающих ресурсов облачной инфраструктуры и одновременно минимизация влияния перегрузок. Алгоритмические расчеты основаны на данных о потреблении оперативной памяти и ресурсов процессора как виртуальными машинами, так и каждым сервером, составляющим облачную инфраструктуру. Рассматриваемый алгоритм включает следующие этапы: классификацию ВМ и серверов согласно заданным параметрам, составление карты миграции и, непосредственно, миграция ВМ согласно составленной карте. Представленный алгоритм может найти применение не только в частных облачных инфраструктурах, но также и в коммерческой среде: проранжировав облачные ресурсы и задав каждому рангу свою степень overcommit, можно организовать работу в единой облачной среде с различными Service-Level Agreements (SLA) и Quality of Service (QoS).

Сведения об авторах

Никита Александрович Балашов, Объединенный институт ядерных исследований

инженер-программист 1 категории, Лаборатория информационных технологий

Александр Владимирович Баранов, Объединенный институт ядерных исследований

инженер-программист 1 категории, Лаборатория информационных технологий

Иван Сергеевич Кадочников, Объединенный институт ядерных исследований

инженер-программист, Лаборатория информационных технологий

Владимир Васильевич Кореньков, Объединенный институт ядерных исследований; Российский экономический университет им. Г.В. Плеханова

доктор технических наук, профессор, директор Лаборатории информационных технологий

Николай Александрович Кутовский, Объединенный институт ядерных исследований

кандидат физико-математических наук, научный сотрудник, Лаборатория информационных технологий

Игорь Станиславович Пелеванюк, Объединенный институт ядерных исследований

инженер-программист, Лаборатория информационных технологий

Литература

[1] Wiens K. Cloud Computing Trends: 2018 State of the Cloud Survey // RightScale Cloud Management Blog, 2018. Available at: https://www.rightscale.com/blog/cloud-industry-insights/cloud-computing-trends-2018-state-cloud-survey (accessed 16.01.18).
[2] Meinhard H. Virtualization, clouds and IaaS at CERN. VTDC '12 Proceedings of the 6th international workshop on Virtualization Technologies in Distributed Computing, ACM New York, NY, USA. 2012. p. 27-28.
[3] Timm S. et al. Cloud Services for the Fermilab Scientific Stakeholders. Journal of Physics: Conference Series. 2015; 664(2). DOI: https://doi.org/10.1007/s41781-017-0001-9
[4] Timm S. et al. Virtual machine provisioning, code management, and data movement design for the Fermilab HEPCloud Facility. Journal of Physics: Conference Series. 2017. Vol. 898, Track 3: Distributed Computing, id. 052041. DOI: https://doi.org/10.1088/1742-6596/898/5/052041
[5] Baranov A.V., Balashov N.A., Kutovskiy N.A., Semenov R.N. JINR cloud infrastructure evolution. Physics of Particles and Nuclei Letters. 2016; 13(5):672–675. DOI: https://doi.org/10.1134/S154747711605006X
[6] Amoroso A. et al., A modular (almost) automatic set-up for elastic multi-tenants cloud (micro)infrastructures. Journal of Physics: Conference Series. 2017; 898(8). DOI: https://doi.org/10.1088/1742-6596/898/8/082031
[7] Mell P., Grance T. The NIST definition of cloud computing. Communications of the ACM. 2010; 53(6):50.
[8] Balashov N., Baranov A., Korenkov V. Optimization of over-provisioned clouds. Physics of Particles and Nuclei Letters. 2016; 13(5):609-612. DOI: https://doi.org/10.1134/S154747711605006X
[9] Balashov N.A. Baranov A.V. Kadochnikov I.S. et al. Smart cloud scheduler. CEUR Workshop Proceedings. 2016; 1787:114-118. Available at: http://ceur-ws.org/Vol-1787/114-118-paper-18.pdf (accessed 16.01.18).
[10] Cohen M.C., Keller P.W., Mirrokni V., Zadimoghaddam M. Overcommitment in Cloud Services – Bin packing with Chance Constraints// Computing Research Repository, 2017. Vol. abs/1705.09335. Available at: https://arxiv.org/abs/1705.09335 (accessed 16.01.18).
[11] Martello S., Toth P. Bin-packing problem // Knapsack Problems: Algorithms and Computer Implementations. Chichester, UK: John Wiley and Sons, 1990.
[12] Ashraf A., Porres I. Multi-objective dynamic virtual machine consolidation in the cloud using ant colony system. International Journal of Parallel, Emergent and Distributed Systems. 2017; 33(1):103-120. DOI: https://doi.org/10.1080/17445760.2017.1278601
[13] Beloglazov A., Buyya R. Optimal online deterministic algorithms and adaptive heuristics for energy and performance efficient dynamic consolidation of virtual machines in cloud data centers. Concurrency and Computation: Practice and Experience (CCPE). 2012; 24(13):1397–1420. DOI: https://doi.org/10.1002/cpe.1867
[14] Corradi A., Fanelli M., Foschini L. VM consolidation: A real case based on OpenStack Cloud. Future Generation Computer Systems. 2014; 32:118-127. DOI: https://doi.org/10.1016/j.future.2012.05.012
[15] Zahedi Fard S.Y., Ahmadi M.R., Adabi S.J. A dynamic VM consolidation technique for QoS and energy consumption in cloud environment. The Journal of Supercomputing. 2017; 73(10):4347–4368. DOI: https://doi.org/10.1007/s11227-017-2016-8
[16] Dabbagh M., Hamdaoui B., Guizani M., Rayes A. An Energy-Efficient VM Prediction and Migration Framework for Overcommitted Clouds. IEEE Transactions on Cloud Computing. 2016; 99:1-1. DOI: https://doi.org/10.1109/TCC.2016.2564403
[17] Mosa A., Paton N.W. Optimizing virtual machine placement for energy and SLA in clouds using utility functions. Journal of Cloud Computing: Advances, Systems and Applications. 2016; 5:1-17. DOI: https://doi.org/10.1186/s13677-016-0067-7
[18] Hwang I., Pedram M. Hierarchical, Portfolio Theory-Based Virtual Machine Consolidation in a Compute Cloud. IEEE Transactions on Services Computing. 2018; 11(1):63-77. DOI: https://doi.org/10.1109/TSC.2016.2531672
[19] Mastroianni M. Meo, Papuzzo G. Probabilistic Consolidation of Virtual Machines in Self-Organizing Cloud Data Centers. IEEE Transactions on Cloud Computing. 2013; 1(2):215-228. DOI: https://doi.org/10.1109/TCC.2013.17
[20] Beloglazov A., Buyya R. OpenStack Neat: A Framework for Dynamic and Energy-Efficient Consolidation of Virtual Machines in OpenStack Clouds. Concurrency and Computation: Practice and Experience (CCPE). 2014; 27(5):1310-1333. DOI: https://doi.org/10.1002/cpe.3314
[21] Feller E., Rilling L., Morin C. Snooze: A scalable and autonomic virtual machine management framework for private Clouds. Proceedings of the 12th IEEE/ACM International Symposium on Cluster, Cloud and Grid Computing (CCGrid), 2012. p. 482–489. DOI: https://doi.org/10.1109/CCGrid.2012.71
[22] Balashov N.A., Baranov A.V., Kadochnikov I.S., Korenkov V.V., Kutovskiy N.A., Nechaevskiy A.V., Pelevanyuk I.S. Software complex for intelligent scheduling and adaptive self-organization of virtual computing resources based in LIT JINR cloud center. Izvestiya SFedU. Engineering Sciences. 2016; 12(185):92-103. (In Russian) DOI: https://doi.org/10.18522/2311-3103-2016-12-92103
[23] Lee E.K., Viswanathan H., Pompili D. Proactive Thermal-Aware Resource Management in Virtualized HPC Cloud Datacenters. IEEE Transactions on Cloud Computing. 2017; 5(2):234-248. DOI: https://doi.org/10.1109/TCC.2015.2474368
[24] Cloudhary A., Govil M.C., Singh G., Awastkhi L.K., Pilli E.S., Kapil D. A critical survey of live virtual machine migration techniques. Journal of Cloud Computing. 2017; 6:23. DOI: https://doi.org/10.1186/s13677-017-0092-1
[25] Radu L.D. Green Cloud Computing: A Literature Survey. Symmetry. 2017; 9(12):295. DOI: https://doi.org/10.3390/sym9120295
[26] Baginyan A. et al. Multi-level monitoring system for multifunctional information and computing complex at JINR. CEUR Workshop proceedings. 2017; 2023:226-233.
[27] Kadochnikov I.S., Balashov N.A., Baranov A.V., Pelevanyuk I.S., Kutovskiy N.A., Korenkov V.V., Nechaevskiy A.V. Evaluation of monitoring systems for metric collection in intelligent cloud scheduling. CEUR Workshop proceedings. 2016; 1787:279-283.
Опубликована
2018-03-30
Как цитировать
БАЛАШОВ, Никита Александрович et al. ПРОСТОЙ ЭВРИСТИЧЕСКИЙ АЛГОРИТМ ДИНАМИЧЕСКОГО ПЕРЕРАСПРЕДЕЛЕНИЯ ВМ В IAAS ОБЛАКАХ. Международный научный журнал «Современные информационные технологии и ИТ-образование», [S.l.], v. 14, n. 1, p. 101-110, mar. 2018. ISSN 2411-1473. Доступно на: <http://sitito.cs.msu.ru/index.php/SITITO/article/view/346>. Дата доступа: 18 aug. 2019 doi: https://doi.org/10.25559/SITITO.14.201801.101-110.