Analiza rekompensaty za zasoby gridowe w środowisku prorynkowym

• Autorzy: Guo S. , Wan H. , Wang G. B. , Xie M.

Warianty tytułu

EN

Analysis of grid resource compensation in market-oriented environment

• Języki publikacji: EN

Abstrakty

EN

Recently, market-oriented grid resource management has been proposed to cope with the scarceness of grid resources in grid systems. In the market-oriented environment, grid users should pay resource owners a sum of money for resources consumed. However, the contribution of resources owners is not only offering resources for grid applications, but also for the loss of local task execution for the sake of grid task complement punctually. There is little research to address the problem of compensation for opportunities lose of local task in grid resources. As a result, resource owners may be reluctant to join the grid unless some compensation is paid. In this paper, based on the analysis of the expected income of two priority strategies in grid resources, the minimal compensation which grid users should pay to resources owners is determined using the concept of opportunity cost and a variable price model is presented to ensure a fair market environment. To calculate minimal compensation, an evaluation approach based on Monte Carlo simulation is given and the minimal compensation can be determined according to the characteristics of the grid resource and the deadline of the grid task. Based on the simulation results, the infl uence factors of minimal compensation are studied using a numerical example. The proposed price model can provide an incentive for resource owners and attract more and more resources in the Internet to participate in the grid.

PL

Ostatnio ideę prorynkowego zarządzania zasobami gridowymi proponuje się jako sposób na uporanie się z niedostatkiem zasobów gridowych w systemach sieci typu grid. W środowisku prorynkowym, użytkownicy sieci grid powinni płacić właścicielom zasobów pewną sumę pieniędzy za wykorzystane zasoby. Jednakże, należy pamiętać, że właściciele zasobów nie tylko oferują zasoby dla aplikacji gridowych, ale również muszą rezygnować z wykonania lokalnych zadań na rzecz terminowego dostarczenia zasobów do wykonania zadania gridowego. Istnieje niewiele badań zajmujących się problemem rekompensaty za utratę korzyści z zadania lokalnego na zasobach gridowych. W związku z istnieniem tego problemu posiadacze zasobów mogą nie chcieć przyłączać się do sieci gridowej, o ile nie otrzymają pewnej rekompensaty. W niniejszym artykule wyznaczono minimalną rekompensatę, jaką użytkownicy sieci gridowej winni płacić posiadaczom zasobów. Obliczeń dokonano w oparciu o analizę oczekiwanego dochodu w odniesieniu do dwóch strategii szeregowania zadań w zasobach gridowych oraz wykorzystując pojęcie kosztu alternatywnego (opportunity cost). Aby zagwarantować uczciwe warunki rynkowe, przedstawiono również model zmiennej ceny (variable price model). Do obliczenia rekompensaty minimalnej wykorzystano podejście oparte na symulacji Monte Carlo. Rekompensatę minimalną wyznacza się kierując się charakterystykami zasobu gridowego i terminem wykonania zadania gridowego. W oparciu o wyniki symulacji, przeanalizowano czynniki wpływające na rekompensatę minimalną wykorzystując przykład numeryczny. Proponowany model cenowy może stać się motywacją dla posiadaczy zasobów przyciągając coraz więcej zasobów internetowych do uczestnictwa w sieciach gridowych.

Słowa kluczowe

EN

grid resource compensation; opportunity cost; market-oriented; Monte Carlo simulation

PL

rekompensata za zasoby gridowe; koszt alternatywny; prorynkowy; symulacja Monte Carlo

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2010
• Tom: nr 2
• Strony: 36--42
• Opis fizyczny: Bibliogr. 22 poz.

Twórcy

autor

Guo S.

autor

Wan H.

autor

Wang G. B.

autor

Xie M.

• School of Mechanical, Electronic, and Industrial Engineering University of Electronic Science and Technology of China Chengdu, Sichuan, 611731, P. R. China The State Key Laboratory of Mechanical Transmission Chongqing University Chongqing, 400044, P,

Bibliografia

• 1. AuYoung A, Chun B N, Snoeren A C, et al. Resource allocation in federated distributed computing infrastructures. Boston 2004; Proceedings of the 1st Workshop on Operating System and Architectural Support for the Ondemand IT InfraStructure.
• 2. AuYoung A, Grit L, Wiener J, et al. Service contracts and aggregate utility functions. Paris 2006; Proceedings of the 15th IEEE International Symposium on High Performance Distributed Computing.
• 3. Broberg J, Venugopal S, Buyya R. Market-oriented grids and utility computing: the state-of-the-art and future directions. Journal of Grid Computing 2008; 6: 255–276.
• 4. Chun B, Buonadonna P, Au Young A, et al. Mirage: a microeconomic resource allocation system for sensornet testbeds. Sydney 2005; Proceedings of the 2nd IEEE Workshop on Embedded Networked Sensors.
• 5. Fernández-Quiruelas V, Fernández1 J, Cofiño A S, et al. Climate modeling on the Grid experiences in the EU-project EELA. Catania 2007; The 3rd EELA Conference.
• 6. Foster I, Kesselman C. The Grid 2: Blueprint for a New Computing Infrastructure. Los Alios: Morgan-Kaufmann, 2003.
• 7. Foster I, Kesselman C, Tuecke S. The anatomy of the grid: enabling scalable virtual organizations. International Journal of High Performance Computing Applications 2001; 15: 200–222.
• 8. Foster I. The Grid: a new infrastructure for 21st century science. Physics Today 2002; 55: 42–47.
• 9. Grinstein S, Huth J, Schopf J M. Resource predictors in HEP applications. Interlaken 2004; Proceedings of Computing in High Energy Physics.
• 10. Huang H Z, Liu Z J, Murthy D N P. Optimal reliability, warranty and price for new products. IIE Transactions 2007; 39: 819-827.
• 11. Huang H Z, Qu J, Zuo M J. Genetic-algorithm-based optimal apportionment of reliability and redundancy under multiple objectives. IIE Transactions 2009; 41: 287-298.
• 12. Huang H Z, Tian Z, Zuo M J. Intelligent interactive multiobjective optimization method and its application to reliability optimization. IIE Transactions 2005; 37: 983-993.
• 13. Huang H Z, Zuo M J, Sun Z Q. Bayesian reliability analysis for fuzzy lifetime data. Fuzzy Sets and Systems 2006; 157: 1674-1686.
• 14. Jahanzeb S, Nosheen A, Nausheen L, et al. Libra: a computational economy-based job scheduling system for clusters. Software Practice and Experience 2004; 34: 573–590.
• 15. Rajkumar B. Economic-based distributed resource management and scheduling for grid computing. PhD thesis, Monash University, 2002.
• 16. Rungsarityotin W, Khiripet N, Tanpraset C, et al. Grid computing and bioinformatics development: A case study on the Oryza sativa (rice) genome. Pure and Applied Chemistry 2002; 74: 891–897.
• 17. Shneidman J, Ng C, Parkes D C, et al. Why markets could (but don’t currently) solve resource allocation problems in systems. Berkeley 2005; Proceedings of 10th Conference on Hot Topics in Operating Systems.
• 18. Stiglitz J E. Principles of Microeconomics. WW: Norton & Company, 2002.
• 19. Stuer G, Vanmechelen K, Broeckhove J. A commodity market algorithm for pricing substitutable Grid resources. Future Generation Computer Systems 2007; 23: 688-701.
• 20. Wolski R, Plank J S, Brevik J, Bryan T. Analyzing market-based resource allocation strategies for the computational grid, International Journal of High-Performance Computing Applications 2001, 15: 258-281.
• 21. Zhang X L, Huang H Z, Liu Y. A hierarchical decomposition approach for large system reliability allocation. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2009; 3: 32-37.
• 22. Zheng Q, Tham C K, Veeravalli B. Dynamic load balancing and pricing in grid computing with communication delay. Journal of Grid Computing 2008; 6: 239-253.