[논문]인트라 클라우드 기반 데스크탑 가상화를 위한 리소스 클러스터링 시뮬레이터

김현우

doi:10.3745/ktsde.2019.8.1.45

인트라 클라우드 기반 데스크탑 가상화를 위한 리소스 클러스터링 시뮬레이터
Resource Clustering Simulator for Desktop Virtualization Based on Intra Cloud 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.8 no.1, 2019년, pp.45 - 50

초록
AI-Helper

IT의 점진적 진보에 따라 수동적인 작업 처리가 자동화되고 이를 통해 전반적인 삶의 질이 대폭 발전되었다. 이는 실생활에 접목된 다양하고 많은 스마트 디바이스간 유기적인 토폴로지가 형성됨으로써 가능하다. 이러한 다양한 스마트 디바이스에 서비스를 제공하기 위해서 기업 또는 사용자들은 클라우드를 이용하고 있다. 클라우드에서의 서비스는 크게 Infrastructure as a Service(IaaS), Platform as a Service(PaaS), Software as a Service(SaaS)로 나뉜다. SaaS는 PaaS 위에서 동작되고, PaaS는 IaaS 위에서 동작한다. 이와 같이 IaaS는 모든 서비스의 기반이기 때문에 가상화하는 자원을 효율적으로 운용하기 위한 알고리즘이 요구된다. 이 중에 데스크탑 자원 가상화는 기존 데스크탑 PC의 비가용 상태 시간의 자원 고가용성을 위해 사용된다. 이러한 자원의 고가용성을 위해서는 계층적 구조에 대한 클러스터링이 중요시된다. 또한 많은 클러스터링 알고리즘 중에서 데스크탑 PC의 분포율 및 환경에 따라 주로 사용되는 자원 비중이 다르기 때문에 적합한 알고리즘을 선정하는 것이 매우 중요하다. 만일 동작 환경의 데스크탑 자원 가상화에 적합한 알고리즘을 찾기 위해 다양한 시도를 한다면 이에 대한 전력적, 시간적, 인력에 대한 막대한 비용이 초래된다. 따라서 본 논문에서는 데스크탑 가상화의 클러스터 선정을 위한 리소스 클러스터링 시뮬레이터인 RCS를 제안한다. RCS에 클러스터 수, 호스트 수를 증가하여 동작하는 과정의 시각화 및 수행 시간을 비교 분석한다. 이를 통하여 데스크탑 PC들의 서로 다른 환경에서 클러스터링 알고리즘 선정 및 요소를 올바르게 적용할 수 있도록 클러스터링 시뮬레이션을 제공한다.

Abstract ▼ AI-Helper

With the gradual advancement of IT, passive work processes are automated and the overall quality of life has greatly improved. This is made possible by the formation of an organic topology between a wide variety of real-life smart devices. To serve these diverse smart devices, businesses or users are using the cloud. The services in the cloud are divided into Infrastructure as a Service (IaaS), Platform as a Service (PaaS) and Software as a Service (SaaS). SaaS runs on PaaS, and PaaS runs on IaaS. Since IaaS is the basis of all services, an algorithm is required to operate virtualization resources efficiently. Among them, desktop resource virtualization is used for resource high availability of unused state time of existing desktop PC. Clustering of hierarchical structures is important for high availability of these resources. In addition, it is very important to select a suitable algorithm because many clustering algorithms are mainly used depending on the distribution ratio and environment of the desktop PC. If various attempts are made to find an algorithm suitable for desktop resource virtualization in an operating environment, a great deal of power, time, and manpower will be incurred. Therefore, this paper proposes a resource clustering simulator for cluster selection of desktop virtualization. This provides a clustering simulation to properly select clustering algorithms and apply elements in different environments of desktop PCs.

주제어

표/그림 (7)

그림 Fig. 1. XML Scheme of Host in RCS
그림 Fig. 2. RCS Architecture
표 Table 1. RCS Clustering Elements
그림 Fig. 3. Initial Configuration View of RCS
그림 Fig. 4. 2D and 3D Simulation of RCS
그림 Fig. 5. Host Clustering and Monitoring through the RCS
그림 Fig. 6. RCS Architecture

AI 본문요약
AI-Helper

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

문제 정의

GridSim을 통해 가상 환경을 쉽게 시뮬레이션 할 수 있으나, 자원 분석에 필요한 다양한 변수를 조작하기 위해 사용자가 프로그램 소스코드를 작성해야 하고 이에 대한 결과를 차트 등으로 변화해야 하는 어려움이 존재한다. 따라서 본 논문에서는 GUI 기반의 자원 설정, 동작과정 및 결과에 대한 시각화를 제공한다.
또한 데이터 센터의 구성에 있어서 데스크탑 자원 가상화에 대한 설정이 고려되지 않는다. 따라서 본 논문에서는 데스크탑 자원을 효율적으로 운영하기 위해 호스트 기반 클러스터링 동작과정의 시각화를 제공한다.
이러한 클라우드 서비스를 위한 가상화 중에 데스크탑 자원 가상화는 기존 데스크탑 PC의 자원을 활용하기 때문에 클러스터링을 위한 계층적 구조가 매우 중요시된다. 따라서 본논문에서는 데스크탑 가상화의 클러스터 선정을 위해 리소스클러스터링 시뮬레이터인 RCS를 제안하였다. RCS는 동작중인 클라우드 인프라내의 호스트를 시뮬레이션 할 수 있도록 XML 기반의 인터페이스를 제공하였다.
시각화를 위해 growing hierarchical selforganizing map(GHSOM) 알고리즘 수행에 대한 수렴 기준, 계산 시간, 양자화 오차 등을 고려하였다. 이러한 고려 방법은 고정적이기 때문에 본 논문에서는 다양한 실험을 시각화하기 위한 사용자 설정 인터페이스를 제공한다.
또한 클러스터링을 위한 요소의 정의 및 비율 등을 물리적 환경에 직접 테스트하기에는 많은 시간이 소요된다. 이러한 이유로 본 논문에서는 데스크탑 가상화의 클러스터 선정을 위한 효율적인 RCS(ResourceClustering Simulator)를 제안한다. RCS는 호스트의 효율적인 클러스터링을 위해 XML 기반의 호스트 정보를 읽어 들여 클러스터링 시뮬레이션을 제공한다.
그러나 Command Line Interface(CLI) 기반의 인터페이스를 제공하고 텍스트 기반의 결과를 보여줌으로써 분석하는 데 어려움이 존재한다. 이에 본 논문에서는Graphic User Interface(GUI) 기반의 인터페이스와 분석 용이를 위한 시각화를 제공한다.

제안 방법

RCS는 동작중인 클라우드 인프라내의 호스트를 시뮬레이션 할 수 있도록 XML 기반의 인터페이스를 제공하였다. 또한 다양한 클러스터링 알고리즘 중에 적합한 클러스터링 알고리즘을 선정하기위해 사용자가 클러스터링 요소를 결정할 수 있도록 사용자인터페이스를 제공하였다.
본 논문에서 제안하는 RCS는 시뮬레이션의 시각화 및 호스트 정보를 사용자로부터 입력 받는 User Interface, 사용자로부터 입력 받은 xml 형태의 호스트 정보를 분석하고 관리하는Host Manager, 호스트 정보를 기반으로 수행할 클러스터링 알고리즘을 관리하는 CA Manager, Viewer에 시뮬레이션을 나타내기 위해 데이터를 가공하는 Coordinate Converter, 시뮬레이션 상태를 시각적으로 보여주는 Viewer로 구성되어 있다. RCS에 대한 기능적인 전체 구조도는 Fig.
본 논문에서 제안하는 리소스 클러스터링 시뮬레이터인 RCS는 데스크탑 자원의 클러스터링을 위해 데스크탑 PC 정보를 Fig. 1과 같은 xml 형태로 입력 받는다. 또한 이질적인 데스크탑 PC의 클러스터링을 시뮬레이션하기 위해 임의의 데스크탑 정보를 생성하는 사용자 인터페이스도 제공한다.
VCS 시뮬레이터[11]는 윈도우 시스템에서만 동작 가능하며 추가적인 하드웨어가 필요하지 않다. 사용자의 클러스터를 구성, 서비스 그룹 및 자원 구성과 failover에 대해 시뮬레이션을 제공한다. 그러나 Command Line Interface(CLI) 기반의 인터페이스를 제공하고 텍스트 기반의 결과를 보여줌으로써 분석하는 데 어려움이 존재한다.
GHSOM[10]은 유사한 제조부품을 클러스터링하고 이를 생산하기 위한 기계를 클러스터링하는 것으로 self-organizingmap(SOM)기반 cellular manufacturing system에 대한 시각화 연구를 하였다. 시각화를 위해 growing hierarchical selforganizing map(GHSOM) 알고리즘 수행에 대한 수렴 기준, 계산 시간, 양자화 오차 등을 고려하였다. 이러한 고려 방법은 고정적이기 때문에 본 논문에서는 다양한 실험을 시각화하기 위한 사용자 설정 인터페이스를 제공한다.
호스트의 수를 100,200, 300, 400, 500, 1,000, 2,000, 3,000, 4,000, 5,000으로 증가시키고 각 증가시점에서 클러스터의 수를 5, 10, 15, 20, 25,30으로 증가시켜 클러스터링을 수행하였다. 이 때 각 증가시점의 수행 속도는 50번씩 수행하여 얻은 수행 속도의 평균을 구하였다. Fig.
모든 호스트를 수행하게 되면 UCP(Update Center Point)를 통해 각 클러스터에 추가된 호스트를 기준으로 새로운 중심점으로 이동한다. 이 후에 FAH를 반복 수행함으로써 최적의 중심점으로 이동하게 되고 CCA(Check Clustering Availability)를 통해 추가 수행 여부를 판단한다. CCA를 통해 추가 수행이 필요하지 않게 되면 MAHP(Move Adjacent Host Point)를 통해 중심점으로 인접한 호스트를 클러스터로 선정한다.
6과 같다. 호스트의 수를 100,200, 300, 400, 500, 1,000, 2,000, 3,000, 4,000, 5,000으로 증가시키고 각 증가시점에서 클러스터의 수를 5, 10, 15, 20, 25,30으로 증가시켜 클러스터링을 수행하였다. 이 때 각 증가시점의 수행 속도는 50번씩 수행하여 얻은 수행 속도의 평균을 구하였다.

성능/효과

최근 IT의 진보적인 컴퓨팅 기술에 따라 많은 인력이 투입되던 수동적인 작업 처리가 자동화 되었다. 또한 다양한 스마트 디바이스(예를 들어, 디지털 카메라, 스마트 TV, 태블릿PC, 스마트 폰) 등의 고성능화와 편리한 휴대성으로 여가시간 및 업무의 효율성이 증가되었다. 이는 실생활에 다양하고 많은 스마트 디바이스간 유기적인 토폴로지가 형성됨으로써 가능하다.

후속연구

향후에는 호스트의 정보를 CPU, 메모리, 스토리지뿐만 아니라 자원 가용 상태에 따른 시간과 네트워크 인프라도 고려할 수 있도록 사용자가 정의 인터페이스를 제공하여 다양한 응용 분야에 활용 가능하도록 연구하고자 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	RCS의 특징은 무엇인가?	이러한 이유로 본 논문에서는 데스크탑 가상화의 클러스터 선정을 위한 효율적인 RCS(ResourceClustering Simulator)를 제안한다. RCS는 호스트의 효율적인 클러스터링을 위해 XML 기반의 호스트 정보를 읽어 들여 클러스터링 시뮬레이션을 제공한다. 클러스터링 동작과정을 2D 뷰 또는 3D 뷰로 시각화함으로써 클러스터링 알고리즘에 적용성 테스트가 가능하다. 또한 다양한 클러스터링 알고리즘을 시뮬레이션할 수 있도록 사용자가 추가할 수 있는 인터페이스를 제공하여 환경에 따른 능동적인 클러스터링 알고리즘 선택이 가능하다.
	데스크탑 PC 자원의 고가용성을 위해 클러스터링 관점에서 개발된 알고리즘으로 무엇이 있는가?	이러한 데스크탑 PC 자원의 고가용성을 위해서는 계층적 구조를 위한 클러스터링이 매우 중요하다[3-9]. 이에 클러스터링 관점에 따라 Centroid-basedClustering[6], Distribution-based Clustering[7], Densitybased Clustering[8], Connectivity based Clustering[9] 등의 많은 알고리즘이 개발되었지만 환경에 따라 최적화된 알고리즘을 선택하기가 매우 어렵다. 또한 클러스터링을 위한 요소의 정의 및 비율 등을 물리적 환경에 직접 테스트하기에는 많은 시간이 소요된다.
	클라우드에서의 서비스는 어떻게 나뉘는가?	이러한 다양한 스마트 디바이스에 서비스를 제공하기 위해서 기업 또는 사용자들은 클라우드를 이용하고 있다. 클라우드에서의 서비스는 크게 Infrastructure as a Service(IaaS), Platform as a Service(PaaS), Software as a Service(SaaS)로 나뉜다. SaaS는 PaaS 위에서 동작되고, PaaS는 IaaS 위에서 동작한다.

참고문헌 (15)

Nitesh Shrivastava, and Ganesh Kumar, "A survey on cost effective multi-cloud storage in cloud computing," International Journal of Advanced Research in Computer Engineering and Technology, Vol. 2, Issue. 4, Apr. 2013.
So-Yeon Kim, Hong-Chan Roh, Chi-Hyun Park, and Sang-Hyun Park, "Analysis of Metadata Server on Clustered File Systems," in Proceedings of the Korea Computer Congress 2009, KCC, Vol. 36, No. 1, Jul. 2009.
Pradnya Eknath Gaonkar, Sachin Bojewar, and Jayesh Ajit Das, “A Survey: Data Storage Technologies,” International Journal of Engineering Science and Innovative Technology, Vol. 2, No. 2, pp. 547-554, Mar. 2013.
Garth A. Gibson, and Rodney Van Meter, “Network attached storage architecture,” Communications of the ACM, Vol. 43, No. 11, pp. 37-45, Nov. 2000.

상세보기
B. Dong, Q. Zheng, F. Tian, K. Chao, R. Ma, and R. Anane, “An optimized approach for storing and accessing small files on cloud storage,” Journal of Network and Computer Applications, Vol. 35, No. 6, pp. 1847-1862, Nov. 2012.

상세보기
Zhanquan Sun, Geoffrey Fox, Weidong Gu, and Zhao Li, “A parallel clustering method combined information bottleneck theory and centroid-based clustering,” Journal of Supercomputing, Vol. 69, No. 1, pp. 452-467, Jul. 2014.

상세보기
Sarah P. Preheim, Allison R. Perrotta, Antonio M. Martin-Platero, Anika Gupta, and Eric J. Alm, “Distribution-Based Clustering: Using Ecology To Refine the Operational Taxonomic Unit,” Applied and Environmental Microbiology, Vol. 79, No. 21, pp. 6593-6603, Nov. 2013.

상세보기
Hans-Peter Kriegel, Peer Kroger, Jorg Sander, Arthur Zimek, "Density-based clustering," Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, Vol. 1, No. 3, pp. 231-240, May/Jun. 2011.

상세보기
Hartuv Erez, and Shamir Ron, “A clustering algorithm based on graph connectivity,” Information Processing Letters, Vol. 76, No. 4, pp. 175-181, Dec. 2000.

상세보기
Manojit Chattopadhyay, Pranab K. Dan, and Sitanath Mazumdar, "Comparison of visualization of optimal clustering using self-organizing map and growing hierarchical selforganizing map in cellular manufacturing system," Applied Soft Computing, Vol. 22, pp. 528-543, Sep. 2014.

상세보기
Naidila Sadashiv, and S. M Dilip Kumar, "Cluster, Grid and Cloud Computing: A Detailed Comparison," in Proceedings of the 6th International Conference on Computer Science and Education, ICCSE 2011, pp. 477-482, Aug. 2011.
Anthony Sulistio, Uros Cibej, Srikumar Venugopal, Borut Robic, Rajkumar Buyya, “A toolkit for modeling and simulating data Grids: an extension to GridSim,” Concurrency and Computation: Practice and Experience, Vol. 20, No. 13, pp. 1591-1609, Sep. 2008.

상세보기
Rajkumar Buyya, and Manzur Murshed, “GridSim: a toolkit for the modeling and simulation of distributed resource management and scheduling for Grid computing,” Concurrency and Computation: Practice and Experience, Vol. 14, No. 13-15, pp. 1175-1220, Nov. 2002.

상세보기
Luis F. W. Goes, Luiz E. S. Ramos, and Carlos A. P. S. Martins, "ClusterSim: A Java-Based Parallel Discrete-Event Simulation Tool for Cluster Computing," in Proceedings of the 2004 IEEE International Conference on Cluster Computing, pp. 401-410, Sep. 2004.
Rodrigo N. Calheiros, Rajiv Ranjan, Anton Beloglazov, Cesar A. F. De Rose, and Rajkumar Buyya, “CloudSim: a toolkit for modeling and simulation of cloud computing environments and evaluation or resource provisioning algorithms,” Software: Practice and Experience, Vol. 41, No. 1, pp. 23-50, Jan. 2011.

상세보기

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