Sprungmarken

Servicenavigation

Hauptnavigation

Sie sind hier:

Hauptinhalt

Interaktive Systeme zur Entscheidungsunterstützung im Cloud Computing

Da große Rechensysteme effizienter betrieben werden können, als entsprechend viele kleine Systeme mit der gleichen Gesamtleistung, gewinnt Cloud Computing sowohl in der Wirtschaft als auch in der Wissenschaft zunehmend an Bedeutung. In der IaaS (Infrastructure-as-a-Service) Variante des Cloud Computing stellt ein Betreiber seinen Kunden Hardware (vor allem Rechenleistung und Speicher) zur Verfügung. Die Kunden binden ihre Rechenaufgaben in virtuelle Maschinen ein, die sie auf dem Rechnersystem des Betreibers laufen lassen. Zur möglichst effizienten Ausnutzung der Hardware lässt der Betreiber mehrere dieser virtuellen Maschinen mit Hilfe von schnellen Kontextwechseln [1] auf derselben Hardware ausführen. Der Betreiber der Systeme möchte einerseits eine hohe Auslastung erreichen und andererseits vereinbarte Dienstgarantien einhalten, um Vertragsstrafen zu vermeiden. Gleichzeitig versucht er möglichst viele Kundenanfragen zu erfüllen, da abgewiesene Kunden aufgrund des so genannten Lock-in Effektes später vielleicht nicht mehr zu ihm zurückkommen. Daher lässt sich die Bereitstellung zusätzlicher redundanter Maschinen für Zeiträume starker Kundennachfrage nicht vermeiden. Diese Ressourcen sollen aber bei geringer Nutzung zumindest in einen Ruhebetrieb gefahren werden, um die Energiekosten so gering wie möglich zu halten. Alternativ kann man im Bedarfsfall sein System virtuelle durch das kurzfristige Ausleihen zusätzlicher Ressourcen von anderen Zentren erweitern.

Um möglichst gute Entscheidungen zu treffen, benötigt der Betreiber algorithmische Unterstützung, die für die unterschiedlichen Gewichtungen der Zielkriterien die jeweils beste Strategie bestimmt. Als Randbedingungen treten vor allem unterschiedliche Kundenanforderungen, die meistens gut klassifiziert werden, siehe Frachtenberg und Cirne [2], das erwartete zukünftige Verhalten der verschiedenen Kunden unter Berücksichtigung von kurzfristigen und langfristigen Verhaltensperioden und die Wartungsanforderungen der Systeme unter Verwendung von Ausfallsprognosen auf. Der Betreiber kann muss eine langfristige Strategie für den Betrieb seiner Systeme erstellen. Dabei kann er verschiedene Parameter, wie eine Quantisierung der Systemallokation, die verschiedenen Dienstgüten und den verlangten Preis unter Berücksichtigung der Angebote seiner Konkurrenz bestimmen. So verwendet Amazon zurzeit zum Beispiel eine Mindestleihdauer von einer Stunde und hat den so genannten Spotmarkt für Aufgaben, die jederzeit abgebrochen werden können, eingeführt.

Im Rahmen der Dissertation sollen neue Strategien für den Betrieb von Cloud-Systemen entwickelt und analysiert werden. Dafür ist von Online-Verfahren für Echtzeitscheduling- und Auswahlproblemen auszugehen, siehe zum Beispiel Baruah und Haritsa [3] sowie DasGupta und Palis[4]. Mit Hilfe von Arbeitslastdaten realer Cloud-Systeme sind Arbeitslastmodelle aufzustellen und für die experimentelle Analyse der Strategien mittels Simulation zu verwenden.     

 

Literatur

[1] R. Strong, J. Mudigonda, J.C. Mogul, N. Binkert und D. Tullsen. Fast switching of threads between cores. ACM SIGOPS Operating Systems Review, 43(2):35-45, 2009.

[2] W. Cirne und E. Frachtenberg. Web-scale job scheduling. In W. Cirne, N. Desai, E. Frachtenberg und U. Schwiegelshohn, Proceedings des 16. Internationalen Workshops Job Scheduling Strategies for Parallel Processing, Band 7698 der Lecture Notes in Computer Science, 1-15. Springer Berlin / Heidelberg, 2012.

[3] S.K. Baruah und J.R. Haritsa. Scheduling for overload in real-time systems. IEEE Trans. Computers, 46(9):1034-1039, 1997.

[4] B. DasGupta und M.A. Palis. Online real-time preemptive scheduling of jobs with deadlines on multiple machines. Journal of Scheduling, 4(6):297-312, 2001.

 

 



Nebeninhalt

Kontakt

Prof. Dr.-Ing. Uwe Schwiegelshohn
Datenverarbeitungssysteme

Telefon: 0231 755-2634
Fax: 0231 755-3251