Category-based workload modeling for hardware load prediction in a heterogeneous IAAS cloud

• Autorzy: Krawczyk H. , Proficz J. , Ziółkowski T.

Warianty tytułu

PL

Modelowanie aplikacji na podstawie kategorii a przewidywania obciążenia sprzętowego w heterogenicznej chmurze typu IAAS

• Języki publikacji: EN

Abstrakty

EN

The paper presents a method of hardware load prediction using workload models based on application categories and high-level characteristics. Application of the method to the problem of optimization of virtual machine scheduling in a heterogeneous Infrastructure as a Service (IaaS) computing cloud is described.

PL

Artykuł przedstawia metodę przewidywania obciążenia zasobów sprzętowych za pomocą modeli aplikacji opracowanych na podstawie kategoriii wysokopoziomowych charakterystyk. Opisano zastosowanie opracowanej metody do optymalizacji procesu alokacji zasobów sprzętowych dla maszyn wirtualnych w środowisku heterogenicznej chmury obliczeniowej typu Infrastructure as a Service (IaaS).

Słowa kluczowe

EN

IaaS; cloud computing; workload modeling; hardware load prediction

PL

IaaS; chmura obliczeniowa; modelowanie aplikacji; przewidywanie obciążenia sprzętowego

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Studia Informatica
• Rocznik: 2016
• Tom: Vol. 37, nr 2
• Strony: 57--71
• Opis fizyczny: Bibliogr. 17 poz.

Twórcy

autor

Krawczyk H.

• Gdańsk University of Technology, Faculty of Electronics, Telecommunications and Informatics, ul. G. Narutowicza 11/12, 80-233 Gdańsk, Poland

autor

Proficz J.

• Gdańsk University of Technology, Academic Computer Centre in Gdansk (CI TASK), ul. G. Narutowicza 11/12, 80-233 Gdańsk, Poland

autor

Ziółkowski T.

• Gdańsk University of Technology, Academic Computer Centre in Gdansk (CI TASK), ul. G. Narutowicza 11/12, 80-233 Gdańsk, Poland

Bibliografia

• 1. Manvi S. S., Shaym G. K.: Resource management for Infrastructure as a Service (IaaS) in cloud computing: A survey. [in:] Journal of Network and Computer Applications, vol. 41, Elsevier, 2014, p. 424-440.
• 2. Moreno I. S., Garraghan P., Townend P., Xu J.: Analysis, Modeling and Simulation of Workload Patterns in a Large-Scale Utility Cloud. [in:] Cloud Computing, IEEE Transactions on, vol. 2, no. 2, IEEE, 2014, p. 208-221.
• 3. Mian R., Martin P., Vazquez-Poletti J. L.: Provisioning data analytic workloads in a cloud. [in:] Future Generation Computer System, vol. 29, no. 6, Elsevier, 2013, p. 1452-1458.
• 4. Kousiouris G., Menychtas A., Kyriazis D., Gogouvitis S., Varvarigou T.: Dynamic, behavioral-based estimation of resource provisioning based on high-level application terms in Cloud platforms. [in:] Future Generation Computer Systems, vol. 32, Elsevier, 2014, p. 27-40.
• 5. Zhang W., Liu J., Liu C., Zheng Q., Zhang W.: Workload modeling for virtual machine-hosted application. [in:] Expert Systems with Applications, vol. 42, no. 4, Elsevier, 2015, p. 1835-1844.
• 6. Weingärtner R., Bräscher G. B., Westphall C. B.: Cloud resource management: A survey on forecasting and profiling models. [in:] Journal of Network and Computer Applications, vol. 47, Elsevier, 2015, p. 99-106.
• 7. Kephart J. O., Chess D. M.: The vision of autonomic computing. [in:] Computer, vol. 36, no. 1, IEEE, 2003, p. 41-50.
• 8. Lorido-Botran T., Miguel-Alonso J., Lozano J. A.: A Review of Auto-scaling Techniques for Elastic Applications in Cloud Environments. [in:] Journal of Grid Computing, vol. 12, no. 4, Springer Netherlands, 2014, p. 559-592.
• 9. Srikantaiah S., Kansal A., Zhao F.: Energy Aware Consolidation for Cloud Computing. [in:] Proceedings of the 2008 Conference on Power Aware Computing and Systems, USENIX Association, 2008, p. 10.
• 10. Ferreto T. C., Netto M. A. S., Calheiros R. N., De Rose C. A. F.: Server consolidation with migration control for virtualized data centers. [in:] Future Generation Computer Systems, vol. 27, no. 8, Elsevier, 2011, p. 1027-1034.
• 11. Corradi A., Fanelli M., Foschini L.: VM consolidation: A real case based on OpenStack Cloud. [in:] Future Generation Computer Systems, vol. 32, Elsevier, 2014, p. 118-127.
• 12. Iyer R., Illikkal R., Tickoo O., Zhao L., Apparao P., Newell D.: VM3: Measuring, modeling and managing VM shared resources. [in:] Computer Networks, vol. 53, no. 17, Elsevier, 2009, p. 2873-2887.
• 13. Tesauro G., Jong N. K., Das R., Bennani M. N.: On the Use of Hybrid Reinforcement Learning for Autonomic Resource Allocation. [in:] Cluster Computing, vol. 10, no. 3, Springer US, 2007, p. 287-299.
• 14. Gmach D., Rolia J., Cherkasova L., Kemper A.: Resource Pool Management: Reactive Versus Proactive or Let's Be Friends. [in:] Computer Networks, vol. 53, no. 17, Elsevier, 2009, p. 2905-2922.
• 15. Huang C. J., Guan C. T., Chen H. M., Wang Y. W., Chang S. C., Li C. Y., Weng C. H.: An adaptive resource management scheme in cloud computing. [in:] Engineering Applications of Artificial Intelligence, vol. 26, no. 1, Elsevier, 2013, p. 382-389.
• 16. Beloglazov A.: Energy-Efficient Management of Virtual Machines in Data Centers for Cloud Computing. Department of Computing and Information Systems, The University of Melbourne, 2013.
• 17. Orzechowski P., Proficz J., Krawczyk H., Szymański J.: Categorization of Cloud Workload Types with Clustering. [in:] International Conference on Signal, Networks, Computing, and Systems 2016, Proceedings of, New Delhi, India (in press).

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.