Título
Consolidación heterogénea para calendarización consciente de la energía de tareas con contención de recursos
Heterogeneous consolidation for energy-aware scheduling of jobs with resource contention
Autor
LUIS ANGEL GALAVIZ ALEJOS
Colaborador
ANDREY CHERNYKH (Asesor de tesis)
Nivel de Acceso
Acceso Abierto
Materias
Resumen o descripción
La nube es un paradigma de cómputo distribuido con gran popularidad. El gran consumo energético generado por la infraestructura de cómputo de las nubes tiene grandes repercusiones económicas y ambientales. Uno de los servicios principales de la nube es la renta de equipo de cómputo a través de la red conocido como IaaS. En una nube IaaS los proveedores de servicio son los encargados de administrar y aprovisionar los recursos de cómputo al usuario. La virtualización de los recursos de cómputo de la nube permite que varias máquinas virtuales se ejecuten en el mismo recurso físico, haciendo posible la consolidación. Las técnicas de consolidación tratan asignar todas las VMs a la mínima cantidad posible de máquinas físicas, esto genera una mejor administración de recursos y como resultado un ahorro energético. Una de las desventajas de la consolidación es que varias VMs compiten y comparten los recursos de hardware, lo que puede llevar a cuellos de botella en el uso del hardware. Nosotros proponemos clasificar las VMs de acuerdo al tipo de aplicaciones que estas ejecutan, en específico CPU y Memoria Intensivas. Esta clasificación ayuda a asignar las VMs a los recursos físicos de forma que se eviten conflictos en el uso de CPU y Memoria. Estudiamos la consolidación determinista el caso mono-objetivo de minimización de energía, y el bi-objetivo con violaciones al SLA y energía. Utilizamos un modelo construido con mediciones reales en el servidor Express x3650 M4. Utilizamos el algoritmo MOCell, el cual hace un muestreo del espacio de búsqueda ubicando a los individuos del algoritmo genético en un grid toroidal. Además, comparamos el algoritmo MOCell con el algoritmo clásico NSGA-II. Comparamos los frentes obtenidos mediante híper volumen y cubrimiento de conjuntos. Evaluamos nuestros algoritmos con cargas de sistemas reales del archivo de cargas de trabajo paralelas. Propusimos un operador de cruzamiento llamado uniforme SLA, el cual obtiene los mejores resultados pero tiene la desventaja de ser muy lento. Además, MOCell obtiene mejores frentes no dominados que NSGA-II. Para el caso monoobjetivo nuestra heurística CFFit obtiene los mejores resultados.
Cloud computing is popular a distributed computing paradigm. The high energy consumption generated by the cloud computing infrastructure has great economic and environmental repercussions. One of the main services offered by the cloud is the rental of computer equipment through the network known as IaaS. In an IaaS, cloud service providers are in charge of managing and provisioning the computing resources to the user. Virtualization of cloud computing resources allows multiple virtual machines to run on the same physical resource, making consolidation possible. The consolidation techniques try to assign all virtual machines to the minimum possible number of physical machines, this allows a better management of resources and, as a result an energy saving. One of the main disadvantages of consolidation is that multiple VMs compete and share hardware resources, which can lead to bottlenecks in the use of hardware. We propose to classify the VMs according to the type of applications it runs, specifically, CPU and Memory intensive. This classification helps to assign the VMs to the physical resources in a way that conflicts in the use of CPU and Memory could be avoided. We study deterministic consolidation in the case of single objective case for energy minimization, and SLA violations and energy minimization for bi-objective. We use a workload-aware model build from real energy measurements on server Express x3650 M4. We attack the problem using genetic algorithms. We use MOCell algorithm, it does a sampling of the search space by placing the individuals of the genetic algorithm in a toroidal grid. We compared the MOCell algorithm with the classic NSGA-II algorithm. We compare the fronts obtained by hyper volume and set coverage. We evaluate algorithms with workload traces from Parallel Workloads and Grid Workload Archives. We propose a crossover named uniform SLA, which has the best results but has the disadvantage of being very slow. In addition, MOCell gets better non-dominated fronts than NSGAII. For the single objective case our heuristic CFFit obtains better results
Editor
CICESE
Fecha de publicación
2017
Tipo de publicación
Tesis de maestría
Recurso de información
Formato
application/pdf
Idioma
Español
Sugerencia de citación
Galaviz Alejos, L.A. 2017. Consolidación heterogénea para calendarización consciente de la energía de tareas con contención de recursos. Tesis de Maestría en Ciencias. Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California. 73 pp.
Repositorio Orígen
Repositorio Institucional CICESE
Descargas
611