Energieeffizienter Elastizitätsmanager für Clouds

Abstract

Elastizitätsmanagement ist eines der Kernkonzepte, die Clouds von herkömmlichen Datenzentren unterscheiden und erlaubt es Clouds autonom auf die Anforderungen ihrer Kunden zu reagieren. Kunden können Ressourcen der Cloud nach Bedarf anfordern, verwenden und freigeben, wodurch der Eindruck unbegrenzter Rechenleistung entsteht. Daher kann sich die Anzahl der tatsächlich durch Kunden genutzten Ressourcen ohne langfristige Planung jederzeit ändern. Um Clouds die Möglichkeit zu bieten, rechtzeitig auf spontane Verändern zu reagieren, untersuchten wir selbstlernende Methoden die das bisherige Verhalten einer Kundenapplikation analysieren und zukünftige Anfragen an die Cloudressourcen vorhersiehen. Wird ein Anstieg der Kundenaktivität berechnet, werden rechtzeitig alle benötigten Virtuellen Maschinen (VM) gestartet. Dadurch werden Verzögerungen, die sich ergeben würden, wenn die benötigten VM erst bei Bedarf gestartet werden, verhindert. Gleichzeitig werden VM in Zeiten niedriger Kundenaktivität abgeschaltet, um Energie zu sparen. Für den Kunden wirkt es, als wenn alle jemals benötigten VM jederzeit verfügbar wären, während gleichzeitig Energiekosten für den Cloudprovider reduziert werden. Die untersuchten Methoden wurden im Energie Effizienten Elastizitätsmanager (E3M) implementiert, in Simulationen getestet und ihre Leistung sowohl in Hinsicht auf Energieverbrauch als auch Kundenzufriedenheit bewertet. Der E3M wurde dabei mit verschiedenen Elastizitätsmethoden, die keine selbstlernenden Methoden einsetzten, zu unterschiedlichen Testbedingungen verglichen. Die Testfälle konzentrierten sich dabei auf die Unterschiede bei langfristiger Planung als auch kurfristigen Schwankungen und zeigten erhebliche Reduktion der benötigten Energie bei gleicher Leistung für die Kunden.

Elasticity is one of the key features which distinguish clouds from common datacentres. Clouds featuring Elasticity Management react to customer requirements autonomously. Customers can request, use and release resources of the cloud at any point in time. Thus, the amount of resources available for each customer may vary unpredictably. We designed a predictive approach for autonomic reactions of clouds to the changing requirements of a customer-s application. Our method predicts future resource requirements based on past customer activities. Virtual Machines (VMs) are created as soon as the system detects an indicator for increase in future activities. As soon as the activity drops again, VMs are released to reduce energy costs. The described method was implemented in the Energy Efficient Elasticity Manager (E3M) to control the elasticity of a customer application and it was evaluated in a simulation. The E3M was compared to other non-predictive elasticity methods in different test-scenarios, including long-term planning and sudden changes in customer requirements. We show that change in cloud behaviour is unperceivable for customers, as every VM required is available at any point in time. Therefore, our approach helps the cloudprovider to reduce the consumed energy without reducing the performance of the cloud.