Структурна оптимізація моделей прогнозу споживання обчислювальних ресурсів в умовах віртуалізації

Е.В. Жаріков, канд. техн. наук
Національний технічний університет України
«Київський політехнічний ін-т ім. Ігоря Сікорського»
(Україна, 03056, пр-т Перемоги, 37,
e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її..uа)

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

АНОТАЦІЯ

Забезпечення заданої якості надання хмарних послуг в умовах нестаціонарних навантажень є одним з основних завдань при управлінні хмарним центром обробки даних. Для забезпечення заданої якості надання сервісу необхідно застосовувати проактивний підхід до управління обчислювальними ресурсами. Запобігти виникненню проблем при недостатньому або надмірному виділенню ресурсів можна за допомогою прогнозування споживання ресурсів віртуальними машинами або контейнерами. Запропоновано адаптивний двоетапний метод прогнозування споживання обчислювальних ресурсів, який
забезпечує меншу помилку прогнозу у порівнянні з методом прогнозу за моделлю, отриманою на основі тренувальних даних фіксованого розміру. Результати дослідження запропонованого методу показують, що точність прогнозу зростає в середньому від 2,4 до 23,6% в залежності від статистичних характеристик часового ряду за даними моніторингу. Підвищення точності прогнозу споживання обчислювальних ресурсів дозволяє зменшити енергоспоживання та кількість порушень угоди про рівень обслуговування клієнтів за допомогою більш точного виділення необхідних ресурсів віртуалізованим застосункам хмарного центру обробки даних.

КЛЮЧОВІ СЛОВА:

хмарні обчислення, прогнозування, часовий ряд, віртуалізація, енергоефективність.

СПИСОК ЛІТЕРАТУРИ

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.

Повний текст: PDF