홈페이지 서비스를 주로 하는 웹 서버들의 평균 이용률이 대체로 낮고 업무 부하의 변화도 크지 않은 편이다. 또한 대부분의 사용자가 구성원 등으로 국한되고 새로운 서버를 구매할 때 최적용량 보다는 최대용량을 선택하는 경향이 있어 과도한 서버를 독점 운용하게 된다. 웹 서버의 운용에는 초기 비용뿐 아니라 평상시 운용비용도 포함된다. 평균 이용률이 낮은 웹 서버들을 클라우딩하여 통합 운영하면 사용자에게 동일한 품질을 제공하면서도 총 비용을 줄일 수 있을 것이다. 본 논문에서는 캠퍼스내의 여러 웹 서버들을 클라우딩하여 통합 운영할 때 기존 웹 서버와 동일한 서비스품질을 제공하기 위한 최적용량을 산출하고 그때 절약되는 비용을 분석한다. 전통적인 웹 서버들과 통합 클라우딩을 위한 서비스 모델을 정립하고 사용자 요구 행태에 따른 최적용량을 대기이론으로 분석하고 비용 절감 정도를 제시한다. 제시된 서비스 모델과 분석 결과는 중대규모의 대학 캠퍼스는 물론 비슷한 규모의 기업, 기관들에 쉽게 응용할 수 있다.
홈페이지 서비스를 주로 하는 웹 서버들의 평균 이용률이 대체로 낮고 업무 부하의 변화도 크지 않은 편이다. 또한 대부분의 사용자가 구성원 등으로 국한되고 새로운 서버를 구매할 때 최적용량 보다는 최대용량을 선택하는 경향이 있어 과도한 서버를 독점 운용하게 된다. 웹 서버의 운용에는 초기 비용뿐 아니라 평상시 운용비용도 포함된다. 평균 이용률이 낮은 웹 서버들을 클라우딩하여 통합 운영하면 사용자에게 동일한 품질을 제공하면서도 총 비용을 줄일 수 있을 것이다. 본 논문에서는 캠퍼스내의 여러 웹 서버들을 클라우딩하여 통합 운영할 때 기존 웹 서버와 동일한 서비스품질을 제공하기 위한 최적용량을 산출하고 그때 절약되는 비용을 분석한다. 전통적인 웹 서버들과 통합 클라우딩을 위한 서비스 모델을 정립하고 사용자 요구 행태에 따른 최적용량을 대기이론으로 분석하고 비용 절감 정도를 제시한다. 제시된 서비스 모델과 분석 결과는 중대규모의 대학 캠퍼스는 물론 비슷한 규모의 기업, 기관들에 쉽게 응용할 수 있다.
Cloud computing helps users to save a significant amount of cost that is related to infrastructure investment, management, and maintenance. In this paper, we study the conversion planning from campus legacy web servers into an integrated cloud computing web server system. We also analyze the convers...
Cloud computing helps users to save a significant amount of cost that is related to infrastructure investment, management, and maintenance. In this paper, we study the conversion planning from campus legacy web servers into an integrated cloud computing web server system. We also analyze the conversion profit when campus web servers are integrated into a cloud computer. We first investigate the cost of legacy system model of campus web servers operated by individual laboratories, departments, institutes and so on. Next, we set up a cloud computer model for the integrated web services meeting the same performance requirements. Then, we derive the conversion profit. From the result of the derivation, we see that the conversion can be effectively applied to and adopted by mid or large sized campuses and similar institutions that provide web services.
Cloud computing helps users to save a significant amount of cost that is related to infrastructure investment, management, and maintenance. In this paper, we study the conversion planning from campus legacy web servers into an integrated cloud computing web server system. We also analyze the conversion profit when campus web servers are integrated into a cloud computer. We first investigate the cost of legacy system model of campus web servers operated by individual laboratories, departments, institutes and so on. Next, we set up a cloud computer model for the integrated web services meeting the same performance requirements. Then, we derive the conversion profit. From the result of the derivation, we see that the conversion can be effectively applied to and adopted by mid or large sized campuses and similar institutions that provide web services.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 대학이 보유한 수많은 웹 서버들을 클라우딩하여 통합 운영할 때 기존 웹서버와 동일한 서비스품질을 제공하기 위한 최적용량을 산출하고 그때 절약되는 비용을 분석한다. 먼저 전통적인 웹 서버들과 이들을 통합한 클라우드 컴퓨팅을 위한 서비스 모델을 정립하고 사용자 요구 행태에 따른 최적용량을 대기이론으로 분석하고 비용 절감 정도를 제시한다.
본 논문에서는 홈페이지 서비스를 주로 하는 웹 서버들을 통합하여 클라우드 환경으로 전환할 때 요구되는 최적용량과 전환이익을 분석하였다. 홈 페이지 서버들의 서비스 모델을 정립하고, 기존 웹 서버와 동일한 서비스품질을 지원할 수 있는 클라우드 컴퓨터의 최적용량 관계식을 찾고 그 때의 전환이익을 분석하였다.
가설 설정
i번째 웹서버에 도착하는 사용자 웹 트랜잭션은 도착률 λi인 Poisson 분포로 가정한다.
또한 모든 서버가 입력되는 웹 트랜잭션의 트랙픽도 동일하고, 트랜잭션의 처리시간 분포도 동일하다고 가정하여 결과값 추출의 편의를 꾀한다. 그리고 coefficient of variation은 CL=10이고, 모든 웹서버 컴퓨터의 처리용량은 평균 응답시간 TL로서 결정되었다고 가정한다. 그러면 다음과 같은 관계식을 얻게 된다.
레거시 웹 서버의 개수 N은 실제로 학내에서 구동되는 웹 서버들의 개수이며, 본절에서는 100으로 가정한다. 또한 모든 서버가 입력되는 웹 트랜잭션의 트랙픽도 동일하고, 트랜잭션의 처리시간 분포도 동일하다고 가정하여 결과값 추출의 편의를 꾀한다. 그리고 coefficient of variation은 CL=10이고, 모든 웹서버 컴퓨터의 처리용량은 평균 응답시간 TL로서 결정되었다고 가정한다.
또한 모든 웹서버 컴퓨터의 OE도 동일하다고 가정한다. 즉
또한 웹서버의 트랜잭션 처리시간은 랜덤변수 ai로 가정한다. 웹서버의 트랜잭션 처리률은 μi로 정의하며 이는 # 로 나타낼 수 있다 (즉#).
본 절에서는 레거시 웹 서버 시스템과 웹 서비스 통합 클라우드 컴퓨터의 비용을 구체적으로 비교한다. 레거시 웹 서버의 개수 N은 실제로 학내에서 구동되는 웹 서버들의 개수이며, 본절에서는 100으로 가정한다. 또한 모든 서버가 입력되는 웹 트랜잭션의 트랙픽도 동일하고, 트랜잭션의 처리시간 분포도 동일하다고 가정하여 결과값 추출의 편의를 꾀한다.
많은 웹서버들이 비슷한 홈페이지를 운영하고 사용자들은 여러 웹서버를 돌아다니면서 웹 서핑을 하므로 본 연구에서는 캠퍼스내의 모든 웹서버가 동일한 평균 응답시간을 제공한다고 가정한다. 현실적으로는 웹서버들이 서로 다른 응답시간을 보이겠지만, 클라우드로의 통합 웹서버와의 성능을 비교하기 위해서는 기존의 웹 서버들이 동일한 평균 응답시간을 제공하도록 설계되었다고 단순화 할 필요가 있기 때문이다.
본 논문에서는 시세함수로서 g(μ) = A ⋅ μ 및 g(μ) = B ⋅log(1+μ)를 가정하였는데, 전자는 처리용량 규모에 의한 전환이익이 없게 되며, 후자는 처리용량 규모에 따른 전환 이익이 존재한다.
그러면 coefficient of variation는 #와 같이 나타낼 수 있다. 클라우드 컴퓨터의 웹서비스에 대한 성능척도로서 역시 평균 응답시간을 가정하며 TC라고 표시하기로 하자.
컴퓨터 facility 구입 비용에는 CPU 성능, 메모리, 하드디스크 그리고 성능향상을 위해 부가하는 보조 모듈에 대한 비용 등이 포함된다. 하지만 본 논문에서는 이 CCF 비용이 최종적으로 나타나는 웹 트랜잭션 처리 용량에 대한 함수로서 산정될 수 있다고 가정한다. 즉 웹 트랜잭션 처리 용량에는 여러 하드웨어, 소프트웨어 등 컴퓨터 성능에 관련된 요소들이 복합적으로 작용한 결과가 반영되기 때문이다.
제안 방법
본 논문에서는 대학이 보유한 수많은 웹 서버들을 클라우딩하여 통합 운영할 때 기존 웹서버와 동일한 서비스품질을 제공하기 위한 최적용량을 산출하고 그때 절약되는 비용을 분석한다. 먼저 전통적인 웹 서버들과 이들을 통합한 클라우드 컴퓨팅을 위한 서비스 모델을 정립하고 사용자 요구 행태에 따른 최적용량을 대기이론으로 분석하고 비용 절감 정도를 제시한다. 대학 캠퍼스의 수많은 서버들은 대체로 각 부서나 학과의 홈페이지 서비스에 활용되고 있다.
본 절에서는 레거시 웹 서버 시스템과 웹 서비스 통합 클라우드 컴퓨터의 비용을 구체적으로 비교한다. 레거시 웹 서버의 개수 N은 실제로 학내에서 구동되는 웹 서버들의 개수이며, 본절에서는 100으로 가정한다.
본 절에서는 클라우딩으로 통합하여 웹 서비스를 수행할 때의 용량을 분석한다. 성능척도인 평균 응답시간 TC 및 웹 트랜잭션의 처리용량 요구특성 CC가 주어졌을 때 또한 입력되는 웹 트랜잭션 입력이 포아슨 분포로서 도착률이 #일 때 M/G/1 대기이론 모델을 적용시킨 4.
를 비교하고 그 때의 전환이익을 보였다. 이때 동일한 서비스 환경, 즉 같은 평균 응답시간(TL = TC)에서 비교를 하였다.
임의의 단조증가함수도 g(⋅)가 될 수 있으나, 본 논문에서는 4장의 성능 수치 추출을 위해 상식적인 두 개의 함수를 활용한다.
웹 서비스는 인터페이스, 응용서버, 데이터서버의 3단계를 거치는데, 사용자가 요청하는 트랜잭션은 인터페이스 단계에서 해석되어 해당하는 응용서버로 전달, 처리된다. 전형적인 인터넷 응용인 N 티어 작업부하를 클라우드로 전환할 때의 성능이슈와 비용을 분석하기 위한 모델을 설정한다.
본 논문에서는 홈페이지 서비스를 주로 하는 웹 서버들을 통합하여 클라우드 환경으로 전환할 때 요구되는 최적용량과 전환이익을 분석하였다. 홈 페이지 서버들의 서비스 모델을 정립하고, 기존 웹 서버와 동일한 서비스품질을 지원할 수 있는 클라우드 컴퓨터의 최적용량 관계식을 찾고 그 때의 전환이익을 분석하였다. 서버의 평균 이용률이 대체로 낮고 평상시 업무부하의 변화도 크지 않은 특성을 바탕으로 사용자가 요청하는 웹 트랜잭션의 도착률과 컴퓨터 처리용량과의 관계를 분석한 결과, 요구되는 클라우드 컴퓨터의 처리용량은 평균 응답시간에 따라 현격히 줄어들 수 있음을 보였고, 다중화 효과와 처리용량 규모가 비용 절감에 크게 기여하는 요소임을 확인하였다.
성능/효과
0 일 때의 관계를 표시하였다. 그래프로부터 도착률이 낮을수록, 또한 coefficient of variation이 클수록 주어진 웹 트랜잭션 트래픽에 대비하여 준비해야할 컴퓨터 처리용량이 커짐을 알 수 있다. 예를 들어, C=10.
(그림 4) 및 이어 논의될 (그림 5)와 (6)의 그래프에서는다중화 효과와 처리용량 규모에 따른 비용 절감 요소를 중심으로 분석하기 위하여 OE(운영비용)에 의한 전환 이익은 0이 되도록 하였다. 본 분석에 사용된 수치에 따르면 웹 서버 N이 100개를 넘어서면 운영비용에 의한 전환이익이 발생한다.
홈 페이지 서버들의 서비스 모델을 정립하고, 기존 웹 서버와 동일한 서비스품질을 지원할 수 있는 클라우드 컴퓨터의 최적용량 관계식을 찾고 그 때의 전환이익을 분석하였다. 서버의 평균 이용률이 대체로 낮고 평상시 업무부하의 변화도 크지 않은 특성을 바탕으로 사용자가 요청하는 웹 트랜잭션의 도착률과 컴퓨터 처리용량과의 관계를 분석한 결과, 요구되는 클라우드 컴퓨터의 처리용량은 평균 응답시간에 따라 현격히 줄어들 수 있음을 보였고, 다중화 효과와 처리용량 규모가 비용 절감에 크게 기여하는 요소임을 확인하였다. 제시된 웹 서비스 모델과 분석 결과는 중대규모의 대학 캠퍼스는 물론 서비스 환경과 업무 특성이 비슷한 기업, 기관들에 쉽게 적용할 수 있고 클라우드 서비스 제공자들 또한 계획단계에서 간편하게 활용할 수 있다.
서버의 평균 이용률이 대체로 낮고 평상시 업무부하의 변화도 크지 않은 특성을 바탕으로 사용자가 요청하는 웹 트랜잭션의 도착률과 컴퓨터 처리용량과의 관계를 분석한 결과, 요구되는 클라우드 컴퓨터의 처리용량은 평균 응답시간에 따라 현격히 줄어들 수 있음을 보였고, 다중화 효과와 처리용량 규모가 비용 절감에 크게 기여하는 요소임을 확인하였다. 제시된 웹 서비스 모델과 분석 결과는 중대규모의 대학 캠퍼스는 물론 서비스 환경과 업무 특성이 비슷한 기업, 기관들에 쉽게 적용할 수 있고 클라우드 서비스 제공자들 또한 계획단계에서 간편하게 활용할 수 있다. 상위 계층 응용 서비스들의 자원요구 특성과 클라우드 플랫폼의 다양한 자원관리 정책 등을 면밀하게 고려하는 모델링과 분석은 또 다른 과제로 남긴다.
질의응답
핵심어
질문
논문에서 추출한 답변
기존 응용중 클라우드로 전환하여 비용을 절감할 수 있는 것을 선별할 때 어떤 애플리케이션이 선택될 수 있는가?
궁극적으로 클라우드 컴퓨팅 환경으로 전환되더라도, 기관이 보유한 애플리케이션 중에서 클라우드로 전환함으로써 비용을 절감할 수 있는 애플리케이션을 선별하여 점진적으로 클라우드화 하는 것이 효과적이다. 잠재적인 사용량이 불확실하거나, 매월 짧은 기간 동안 집중적으로 자원이 사용된 후 나머지 시간에는 유휴 상태로 유지되거나, 지속적으로 일정한 수준의 자원이 사용되지만 특정 기간에만 작업량이 매우 많은 애플리케이션 등이 그 대상이 될 수 있다.
기존 응용을 클라우드 환경으로 전환하거나 신규로 진입할 의사결정이 쉽지 않은 이유는?
그러나 기존 응용(legacy applications)을 클라우드 환경으로 전환하거나 신규로 진입할 의사결정은 그렇게 간단하지가 않다. 대부분의 클라우드 서비스 제공자는 비슷한 서비스를 서로 다른 프라이싱 모델로 제공하고 있으나, 대부분의 경우 성능 자료는 간과하고 있으며, 제시하지 못하는 상황이며, 이에 따라 사용자는 기존 응용을 클라우드 환경에서 운용할 때의 비용과 클라우드로 전환할 대상에 대해서도 확신을 하지 못한다. 현실적으로 모든 데이터센터를 클라우드로 옮겨가는 것은 거의 불가능할 뿐 아니라 클라우드 공급자도 이것을 권장하지 않는다.
클라우드 컴퓨팅이 대여해주는 자원에는 어떤 것들이 있는가?
최근 IT 산업에서 큰 관심을 끌고 있는 분야 중의 하나가 클라우드 컴퓨팅 서비스이다. 클라우드 컴퓨팅은 서버, 네트워크, 스토리지, 소프트웨어 그리고 인터넷으로 제공되는 다양한 어플 리케이션 등의 정보 자원을 필요할 때 임대하여 활용한다. 조직의 정보시스템을 직접 구축하여 운용해 오던 전통적인 접근에서 간편한 임대로 변경하는 것으로써 사용자뿐 아니라 IT 생태계 전반에 큰 영향을 미치고 있다.
참고문헌 (10)
Michael Armbrust, et al., "Above the Clouds: A Berkeley View of Cloud Computing," Technical Report No. UCB/EECS-2009-28, Feb. 2009.
Georgia Sakellari, George Loukas, "A survey of mathematical models, simulation approaches and testbeds used for research in cloud computing," Simulation Modelling Practice and Theory, 2013.
Seung-Hwan Lim, Bikash Sharma, Gunwoo Nam, Eun Kyoung Kim, and Chita R. Das, "MDCSim: A Multi-tier Data Center Simulation Platform," Department of Computer Science and Engineering, The Technical Report CSE 09-007, Pennsylvania State University.
Simon Malkowski, et al., "Challenges and Opportunities in Consolidation at High Resource Utilization: Non-monotonic Response Time Variations in n-Tier Applications,"2012 IEEE Fifth International Conference on Cloud Computing(CLOUD), June 2012.
C. Curino, E. P. Jones, et al., "Workload-aware database monitoring and consolidation," SIGMOD '11.
Siew Huei Liew and Ya-Yunn Su, "CloudGuide: Helping Users Estimate Cloud Deployment Cost and Per formance for Legacy Web Applications," 2012 IEEE 4th International Conference on Cloud Computing Technology and Science, 2012.
L. Kleinrock, Queueing Systems, Vol. 1: Theory (Wiley, 1975).
Quang Hieu Vu and Rasool Asal, "Legacy Application Migration to the Cloud: Practicability and Methodology," 2012 IEEE Eight'th World Congress on Services.
Fernando Koch, Marcos D. Assuncao, Marco A. S. Netto, "A cost analysis of cloud computing for education," GECON'12 Proceedings of the 9th internation al conference on Economics of Grids, Clouds, Systems, and Services, pp.182-196, ACM, 2012.
Massimiliano Rak, Antonio Cuomo, and Umberto Villano, "Cost/Performance Evaluation for Cloud Applications Using Simulation," 2013 Workshops on Enabling Technologies: Infrastructure for Collaborative Enterprises, IEEE, 2013.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.