СТРУКТУРНАЯ ОПТИМИЗАЦИЯ МОДЕЛЕЙ ПРОГНОЗА ПОТРЕБЛЕНИЯ ВЫЧИСЛИТЕЛЬНЫХ РЕСУРСОВ В УСЛОВИЯХ ВИРТУАЛИЗАЦИИ

Э.В. Жариков

Èlektron. model. 2018, 40(5):49-66
https://doi.org/10.15407/emodel.40.05.049

АННОТАЦИЯ

Обеспечение заданного качества предоставления облачных услуг в условиях нестационарных нагрузок является одной из основных задач при управлении облачным центром обработки данных. Для обеспечения заданного качества предоставления сервиса необходимо применять проактивный подход к управлению вычислительными ресурсами. Предотвратить возникновение проблем при недостаточном или чрезмерном выделении ресурсов можно с помощью прогнозирования потребления ресурсов виртуальными машинами или контейнерами. Предложен адаптивный метод прогнозирования потребления вычислительных ресурсов, обеспечивающий меньшую ошибку прогноза по сравнению с методом прогноза с помошью модели, полученной на тренировочных данных фиксированного размера. Результаты исследования предлагаемого метода показывают, что точность прогноза возрастает в среднем от 2,4 до 23,6% в зависимости от статистических характеристик временного ряда по данным мониторинга. Повышение точности прогноза потребления вычислительных ресурсов позволяет уменьшить энергопотребление и число нарушений соглашения об уровне обслуживания клиентов посредством более точного выделения необходимых ресурсов виртуализированным приложениям облачного центра обработки данных.

КЛЮЧЕВЫЕ СЛОВА:

облачные вычисления, прогнозирование, временной ряд, виртуализация, энергоэффективность.

СПИСОК ЛИТЕРАТУРЫ

1. Barham P., Dragovic B., Fraser K. et al. Xen and the art of virtualization // InACMSIGOPS operating systems review. 2003, Vol. 37, No. 5, p. 164—177.
2. Chen G., He W., Liu J., et al. Energy-Aware Server Provisioning and Load Dispatching for Connection-Intensive Internet Services // In NSDI. 2008, Vol. 8, p. 337—350.
3. Padala P., Hou K.Y., Shin K.G., et al. Automated control of multiple virtualized resources // Proc. of the ACM European conference on Computer systems (EuroSys’09), ACM, 2009, p. 13—26.
4. Gross, G., Galiana, F.D. Short-term load forecasting // Proc. of the IEEE. 1987, 75(12), p. 1558—1573.
5. Xiao Z., Song W., Chen Q. Dynamic resource allocation using virtual machines for cloud computing environment // Transactions on Parallel and Distributed Systems, IEEE. 2013, Vol. 24, No. 6, p. 1107—1117.
6. Xue J., Yan F., Birke R., et al. PRACTISE: Robust prediction of data center time series // 11th International Conference on Network and Service Management (CNSM). IEEE, 2015, p. 126—134.
7. Farahnakian F., Liljeberg P., Plosila J. LiRCUP: Linear regression based CPU usage prediction algorithm for live migration of virtual machines in data centers // 39th EUROMICRO Conference on Software Engineering and Advanced Applications (SEAA). IEEE, 2013, p. 357—364.
8. Islam S., Keung J., Lee K., Liu A. Empirical prediction models for adaptive resource provisioning in the cloud // Future Generation Computer Systems. 2012, Vol. 28, No. 1, p. 155—162.
9. Dabbagh M., Hamdaoui B., Guizani M., Rayes A. Energy-efficient resource allocation and provisioning framework for cloud data centers // IEEE Transactions on Network and Service Management. 2015, Vol. 12, No. 3, p. 377—391.
10. Naseera, S., Rajini, G.K., Prabha, N.A., Abhishek G.A comparative study on CPU load predictions in a computational grid using artificial neural network algorithms // Indian Journal of Science and Technology. 2015, Vol. 8, No. 35, p. 1—5.
11. Naseera S., Rajini G.K., Reddy P.S.K. Host CPU Load Prediction Using Statistical Algorithms a comparative study // International Journal of Computer Technology and Applications. 2016, 9 (12), p. 5577—5582.
12. Dinda P.A. Design, implementation, and performance of an extensible toolkit for resource prediction in distributed systems // IEEE Transactions on Parallel and Distributed Systems. 2006, Vol. 17, No. 2, p. 160—173.
13. Box G.E., Jenkins G.M., Reinsel G.C., Ljung G.M. Time series analysis: forecasting and control // 5th ed. Hoboken, NJ, USA: John Wiley & Sons, 2015, p. 712.
14. Montgomery D.C., Peck E.A., Geoffrey G.G. Introduction to linear regression analysis // John Wiley & Sons, 2015, p. 612.
15. Park K., Pai V.S. CoMon: a mostly-scalable monitoring system for PlanetLab // ACM SIGOPS Operating Systems Review, 2006, p. 65—47.
16. Telenyk S., Zharikov E., Rolik O. Architecture and Conceptual Bases of Cloud IT Infrastructure Management // Advances in Intelligent Systems andComputing. 2017, Vol. 512, p. 41—62.
17. R Core Team R: A language and environment for statistical computing // R Foundation for Statistical Computing. Vienna, Austria, 2018, URL https://www.R-project.org/.
18. Jorgensen M. Experience with the accuracy of software maintenance task effort prediction models // IEEE Transactions on Software Engineering. 1995, Vol. 21, p. 674—681.
19. Hyndman R., Koehler A.B., Ord J.K., Snyder R.D. Forecasting with exponential smoothing: the state space approach // Springer Science & Business Media, 2008, p. 359.
20. Holt C.C. Forecasting seasonals and trends by exponentially weighted moving averages // International journal of forecasting. 2004, Vol. 20, No. 1, p. 5—10.
21. Gardner Jr E.S., McKenzie E.D. Forecasting trends in time series // Management Science. 1985, Vol. 31, No. 10, p. 1237—1246.
22. GWA-T-12 Bitbrains [Online] Available from: http://gwa.ewi.tudelft.nl/datasets/gwa-t-12-bitbrains [Accessed September 12, 2018].
23. Hyndman R.J., Khandakar Y. Automatic time series forecasting: The forecast package for R // Journal of Statistical Software. 2008, 27(1), p. 1—22. Retrieved from https://www.jstatsoft.org/article/view/v027i03
24. Shen S., van Beek V., Iosup A. Statistical characterization of business-critical workloads hosted in cloud datacenters // 15th IEEE/ACM International Symposium on Cluster, Cloud and Grid Computing (CCGrid). IEEE, 2015, p. 465—474.
25. Hyndman R., Bergmeir C., Caceres G. et al. Forecast: Forecasting functions for time series and linear models // R package version 8.3, 2018.

ЖАРІКОВ Едуард В’ячеславович, канд. техн. наук, доцент кафедри АСОІУ Національного технічного університету України «Київський політехнічний ін-т ім. Ігоря Сікорського». В 1994 р. закінчив Східно-Український державний університет. Область наукових досліджень — ІТ інфраструктура, віртуалізація, хмарні обчислення, центри обробки даних, комп’ютерні мережі.

Полный текст: PDF