[논문]분산 클라우드 컴퓨팅을 위한 동적 자원 할당 기법

안태형; 김예나; 이수경

doi:10.7840/kics.2013.38b.7.512

분산 클라우드 컴퓨팅을 위한 동적 자원 할당 기법
Dynamic Resource Allocation in Distributed Cloud Computing 원문보기

한국통신학회논문지. The Journal of Korea Information and Communications Society. 네트워크 및 서비스, v.38B no.7, 2013년, pp.512 - 518

안태형 (연세대학교 컴퓨터과학과 무선네트워킹 연구실) , 김예나 (연세대학교 컴퓨터과학과 무선네트워킹 연구실) , 이수경 (연세대학교 컴퓨터과학과 무선네트워킹 연구실)

초록
AI-Helper

분산 클라우드 컴퓨팅에서 자원 할당 알고리즘은 사용자 만족도와 서비스 수용 및 처리 능력과 밀접한 관련을 가지기 때문에 중요하다. 즉, 분산 클라우드에서는 서비스 처리를 위해 이용가능한 자원이 없을 때 발생하는 서비스 거부는 사용자 만족도를 반감시킨다. 따라서 본 논문에서는 서비스 거부를 최소화하기 위하여 데이터센터 자원 상황을 고려한 자원 할당 알고리즘을 제안한다. 제안하는 알고리즘은 Q-Learning 기반의 자원 할당량 학습에 의해서 클라우드 데이터센터에서 최대 자원 할당량 만큼 할당을 할 수 있으면 자원 할당량이 증가하고 그렇지 못할 때는 자원 할당량이 감소하게 된다. 본 논문에서는 제안하는 알고리즘과 기존의 두 알고리즘을 평가하고 제안하는 알고리즘이 두 알고리즘 보다 낮은 서비스 거부율을 보임을 증명한다.

Abstract ▼ AI-Helper

A resource allocation algorithm has a high impact on user satisfaction as well as the ability to accommodate and process services in a distributed cloud computing. In other words, service rejections, which occur when datacenters have no enough resources, degrade the user satisfaction level. Therefore, in this paper, we propose a resource allocation algorithm considering the cloud domain's remaining resources to minimize the number of service rejections. The resource allocation rate based on Q-Learning increases when the remaining resources are sufficient to allocate the maximum allocation rate otherwise and avoids the service rejection. To demonstrate, We compare the proposed algorithm with two previous works and show that the proposed algorithm has the smaller number of the service rejections.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

이 방법은 서비스 발생이 집중되는 홈 데이터센터의 자원이 고갈된다면 추후 모든 요구에 추가적인 전이 비용을 발생시키게 된다. 따라서 본 논문에서는 데이터센터간의 전이 시간과 고정된 최대 자원 할당량을 없애기 위하여 RM(Resource Manager)과 RAT(Resource Allocation Table)를 제안한다. 마스터 서버 RM은 모든 Service Request를 받아 도메인에 할당 하고 RAT는 동적인 자원 할당량을 위하여 Q-Learning을 이용하여 학습된 자원 할당량을 유지한다.
즉, 서비스 처리를 위해 데이터센터에서 할당 할 수 있는 자원이 없어 발생하는 서비스 거부는 사용자 만족도를 반감시킨다^[3]. 따라서 자원 할당 알고리즘은 클라우드 시스템에서 중요한 비중을 차지하기^[1] 때문에 본 논문에서는 서비스 거부^[3]를 최소화하기 위하여 Q-Learning^[4]을 이용한 동적자원 할당 알고리즘을 제안한다.
하지만 마스터 서버를 활용하여 데이터센터의 자원 할당량을 학습하는 알고리즘은 아직 연구되지 않았다. 따라서, 본 논문에서는 마스터 서버 RM에서 Q-Learning을 사용하여 RAT에서 유지하는 데이터센터의 자원 할당량을 데이터센터의 남아 있는 자원 상황에 맞게 학습시킨다.
본 논문에서는 RM과 RAT를 제안하여 고정된 최대 자원 할당량과 데이터센터간의 전이 시간을 없애도록 한다. 추가적인 전이 시간을 없애기 위하여 마스터 서버 RM은 모든 서비스를 받아 데이터센터에 할당 하고 동적인 자원 할당량을 위하여 RAT는 Q-Learning을 이용하여 학습된 자원 할당량을 유지한다.
본 논문에서는 전이 시간과 고정된 자원 할당량을 제거하기 위하여 RM과 RAT를 제안하였다. 전이 시간을 없애기 위하여 마스터 서버 RM은 사용자로부터 발생하는 서비스를 받아 데이터센터에 할당했고 서비스 처리를 위한 동적인 자원 할당량을 위하여 RAT에서는 데이터센터 자원 상황을 고려한 Q-Learning 기반의 자원 할당량 학습을 하는 자원할당 알고리즘을 제안하였다.

가설 설정

1) 모든 사용자로부터 발생하는 서비스는 마스터 서버 RM에 도착한다.

제안 방법

4) 데이터센터에서는 서비스 처리 후 서비스 처리에 할당된 자원량과 데이터센터에 남아 있는 자원량을 Q-Learning에 적용하여 데이터센터들의 자원 할당량을 유지하고 있는 RAT의 자원 할당량 값을 학습한다.
이번 장에서는 데이터센터의 가중치를 계산하여 서비스 처리에 적합한 데이터센터를 선택하는 절차와 학습된 자원 할당량으로 처리하는 과정을 설명한다. 또한, 본 논문에서 제안하는 RM과 RAT를 적용한 시스템 모델을 제안한다. 2.
본 논문에서 제안하는 마스터 서버 RM에서는 사용자로부터 발생한 서비스를 처리하는데 적합한 데이터센터를 찾기 위하여 거리적인 요소 뿐만 아니라 할당 가능한 자원 할당량를 고려하여 각 데이터센터의 가중치 w(s,a)를 계산한다. w(s,a)는 상태 s=[d₁,d₂,…,d_N]에서 a번째 데이터센터의 가중치를 계산한다.
본 논문에서 제안하는 자원 할당 알고리즘에서는 Q-Learning을 클라우드 시스템에 적용하기 위하여 다음과 같이 상태, 행동 그리고 보상을 정의한다. 사용자로부터 발생하는 서비스 처리를 위해 시스템에서 할당 할 수 있는 자원의 최소 단위는 VM이다.
본 장에서는 Java 기반으로 작성된 시뮬레이터를 사용하여 분산 클라우드 환경에서 제안하는 알고리즘과 Greedy, CD(Conservative Decision) 알고리즘 간의 자원 할당 성능을 평가한다. Greedy 알고리즘은 자원 할당 시 항상 할당 할 수 있는 고정된 자원 할당량을 할당하고 CD는 서비스가 발생한 위치에서 가장 가까운 거리에 있는 데이터센터에 서비스를 전이 하여 처리하도록 한다.
시뮬레이션에서 사용되는 변수들간의 관계를 파악하기 위하여 값을 변경하면서 30000초 동안 다양한 시뮬레이션을 했다. 시뮬레이션에서 사용된 클라우드 시스템은 8개의 데이터센터로 구성되고 각 데이터센터는 10, 30, 15, 20, 35, 20, 25, 30개의 자원으로 구성된다.
본 논문에서는 전이 시간과 고정된 자원 할당량을 제거하기 위하여 RM과 RAT를 제안하였다. 전이 시간을 없애기 위하여 마스터 서버 RM은 사용자로부터 발생하는 서비스를 받아 데이터센터에 할당했고 서비스 처리를 위한 동적인 자원 할당량을 위하여 RAT에서는 데이터센터 자원 상황을 고려한 Q-Learning 기반의 자원 할당량 학습을 하는 자원할당 알고리즘을 제안하였다. 또한 시뮬레이션을 통하여 제안하는 알고리즘의 자원 할당량이 서비스발생량에 따라서 동적으로 데이터센터의 자원상황을 고려하여 변하는 것을 확인하였고 제안한 알고리즘이 Greedy 알고리즘과 CD보다 낮은 서비스 거부율을 보임을 증명하였다.
CD는 서비스 처리에 낮은 자원 할당량에 의해서 Greedy 보다는 낮은 거부율을 보이지만 전이 시간 때문에 제안하는 알고리즘 보다는 높은 거부율을 보인다. 제안하는 알고리즘은 데이터센터 자원 상황을 고려한 자원 할당량 학습에 의해서 낮은 서비스 거부율을 보인다
초 당 서비스 발생량 λ는 Poisson 분포를 따르며 시뮬레이션 시 시간의 흐름에 따라 발생률을 높이면서 진행하였다.

대상 데이터

시뮬레이션에서 사용되는 변수들간의 관계를 파악하기 위하여 값을 변경하면서 30000초 동안 다양한 시뮬레이션을 했다. 시뮬레이션에서 사용된 클라우드 시스템은 8개의 데이터센터로 구성되고 각 데이터센터는 10, 30, 15, 20, 35, 20, 25, 30개의 자원으로 구성된다. 초 당 서비스 발생량 λ는 Poisson 분포를 따르며 시뮬레이션 시 시간의 흐름에 따라 발생률을 높이면서 진행하였다.

성능/효과

마스터 서버 RM은 모든 Service Request를 받아 도메인에 할당 하고 RAT는 동적인 자원 할당량을 위하여 Q-Learning을 이용하여 학습된 자원 할당량을 유지한다. 그리고 서비스 처리를 위한 자원 할당 시 항상 고정된 자원 할당량을 가지는 Greedy 알고리즘과 [5]에서 제안하는 SMDP 기반의 결정 알고리즘의 일부분을 구현한 CD(Conservative Decision)와의 시뮬레이션을 통해 제안하는 알고리즘이 두 알고리즘 보다 낮은 서비스 거부율을 보임을 증명한다.
그림 2는 제안하는 알고리즘의 서비스 발생량에 따른 자원 할당량 비율을 보여주며 학습에 의해서 자원할당량이 어떻게 변화하는지를 나타낸다. 데이터센터자원 상황을 고려한 자원 할당량의 학습에 의해서 서비스 발생량이 적을 때는 3 VM, 4 VM이 할당될 확률이 높고 발생량이 많아질수록 데이터센터의 자원이 부족하게 되어 1 VM, 2 VM이 할당될 확률이 높아지는 것을 볼 수 있다.
반면, 제안하는 알고리즘의 경우에는 CD와는 달리 마스터 서버 RM에 의해서 서비스 처리를 위한 데이터센터를 선택하기 때문에 서비스 전이 비용이 발생하지 않는다. 또한 데이터센터 자원 상황을 고려한 자원 할당량 학습에 의해서 그림 2에서 보이는 것처럼 서비스 발생량이 적을 때는 3 VM, 4 VM이 할당될 확률이, 서비스 발생량이 많을때는 1 VM, 2 VM이 할당될 확률이 높기 때문에 효율적으로 높은 자원 사용률을 보인다. 하지만 데이터센터의 자원 상황을 고려하지 않고 항상 고정된 할당량을 가지는 Greedy에 비해서는 적다.
전이 시간을 없애기 위하여 마스터 서버 RM은 사용자로부터 발생하는 서비스를 받아 데이터센터에 할당했고 서비스 처리를 위한 동적인 자원 할당량을 위하여 RAT에서는 데이터센터 자원 상황을 고려한 Q-Learning 기반의 자원 할당량 학습을 하는 자원할당 알고리즘을 제안하였다. 또한 시뮬레이션을 통하여 제안하는 알고리즘의 자원 할당량이 서비스발생량에 따라서 동적으로 데이터센터의 자원상황을 고려하여 변하는 것을 확인하였고 제안한 알고리즘이 Greedy 알고리즘과 CD보다 낮은 서비스 거부율을 보임을 증명하였다.
위 설명에 의해 제안된 알고리즘은 데이터센터에 남아 있는 자원 상황을 고려하여 효율적으로 자원을 사용할 뿐만 아니라 서비스 거부율 측면에서도 Greedy, CD 보다 각각 69%, 30% 좋은 결과를 보여준다. 이러한 결과가 나온 이유는 CD와는 달리 서비스 전이 시간이 없고 동적인 상황에서 데이터센터의 자원 상황을 고려한 자원 할당량 학습을 활용하여 자원 할당을 하기 때문이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	분산 클라우드의 장점은?	분산 클라우드는 다수의 데이터센터를 지리적으로 분산시켜 사용자와 데이터센터간의 거리를 좁힘으로서 통신 비용과 지연 시간을 줄일 수 있는 장점을 가진다[1,2]. 분산 클라우드에서 자원 할당 알고리즘은 사용자로부터 분산 클라우드로 전송되는 서비스 처리를 위한 데이터센터를 선택하기 때문에 사용자 만족도(User Satisfaction)와 클라우드 시스템의 서비스 수용 및 처리 능력과 밀접한 관련을 가진다[2].
	분산 클라우드에서 자원 할당 알고리즘이 사용자 만족도와 클라우드 시스템의 서비스 수용 및 처리 능력과 밀접한 관련을 가지는 이유는?	분산 클라우드는 다수의 데이터센터를 지리적으로 분산시켜 사용자와 데이터센터간의 거리를 좁힘으로서 통신 비용과 지연 시간을 줄일 수 있는 장점을 가진다[1,2]. 분산 클라우드에서 자원 할당 알고리즘은 사용자로부터 분산 클라우드로 전송되는 서비스 처리를 위한 데이터센터를 선택하기 때문에 사용자 만족도(User Satisfaction)와 클라우드 시스템의 서비스 수용 및 처리 능력과 밀접한 관련을 가진다[2]. 즉, 서비스 처리를 위해 데이터센터에서 할당 할 수 있는 자원이 없어 발생하는 서비스 거부는 사용자 만족도를 반감시킨다[3].
	서비스 거부를 최소화하기 위한 자원 할당 알고리즘을 제안하는 이유는?	분산 클라우드 컴퓨팅에서 자원 할당 알고리즘은 사용자 만족도와 서비스 수용 및 처리 능력과 밀접한 관련을 가지기 때문에 중요하다. 즉, 분산 클라우드에서는 서비스 처리를 위해 이용가능한 자원이 없을 때 발생하는 서비스 거부는 사용자 만족도를 반감시킨다. 따라서 본 논문에서는 서비스 거부를 최소화하기 위하여 데이터센터 자원 상황을 고려한 자원 할당 알고리즘을 제안한다.

참고문헌 (12)

P. T. Endo, A. V. P. de Almeida Palhares, N. N. Pereira, G. E. Goncalves, D. Sadok, J. Kelner, B. Melander, and J.-E. Mangs, "Resource allocation for distributed cloud: concepts and research challenges," IEEE Network, vol. 25, no. 4, pp. 42-46, Jul.-Aug. 2011.

상세보기
M. Alicherry and T. V. Lakshman, "Network aware resource allocation in distributed clouds," in Proc. IEEE INFOCOM, pp. 963-971, Orlando, U.S.A., Mar. 2012.
M. Armbrust, A. Fox, R. Griffith, A. D. Joseph, R. Katz, A. Konwinski, G. Lee, D. Patterson, A. Rabkin, I. Stoica, and M. Zaharia, "A view of cloud computing," Commun. ACM, vol. 53, no. 4, pp. 50-58, Apr. 2010.
C. J. C. H Watkins and P. Dayan, "Q-Learning," Machine Learning, vol. 8, pp. 279-292, Jan. 1992.

상세보기
H. Liang, L. X. Cai, D. Huang, X. Shen, and D. Peng, "An SMDP-based service model for interdomain resource allocation in mobile cloud networks," IEEE Trans. Veh. Tech., vol. 61, no. 5, pp. 2222-2232, Jun. 2012.

상세보기
S. T. Maguluri, R. Srikant, and L. Ying, "Stochastic models of load balancing and scheduling in cloud computing clusters," in Proc. IEEE INFOCOM, pp. 702-710, Orlando, U.S.A., Mar. 2012.
H. Kim, W. Kim, and Y. kim, "A pattern-based prediction model for dynamic resource provisioning in cloud environment," KSII Trans. Internet Inform. Syst., vol. 5, no. 10, pp. 1712-1732, Oct. 2011.

원문보기 상세보기
J. Nie and S. Haykin, "A Q-learning-based dynamic channel assignment technique for mobile communication systems," IEEE Trans. Veh. Tech., vol. 48, no. 5, pp. 1676-1687, Sep. 1999.

상세보기
Y. Chen, C. Chang, and F. Ren, "Q-learning-based multirate transmission control scheme for RRM in multimedia WCDMA systems," IEEE Trans. Veh. Tech., vol. 53, no. 1, pp. 38-48, Jan. 2004.

상세보기
L. Hu, X.-L. Che, and S.-Q. Zheng, "Online system for grid resource monitoring and machine learning-based prediction," IEEE Trans. Parallel Distrib. Syst., vol. 23, no. 1, pp. 134-145, Jan. 2012.

상세보기
Y. J. Kim, "Modified Q-learning for intelligent system," J. Korea Inst. Commun. Soc. (KICS), vol. 33, no. 2, pp. 82-87, Feb. 2008.
J. Rao, X. Bu, C.Z. Xu, and K. Wang, "A distributed self-learning approach for elastic provisioning of virtualized cloud resources," in Proc. IEEE MASCOTS, pp. 45-54, Singapore, Jul. 2011.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증