Cost-based decision making in cloud environments using Bayesian networks

Abstract

Die Anbieter von Cloud-Computing haben in den letzten Jahren durch das Angebot von hochverfügbaren und skalierbaren Services ein schnelles Wachstum erfahren. Dennoch zwingen die steigende Nachfrage der Kunden nach Ressourcen und der vom Wettbewerb bestimmte Markt die Anbieter dazu, ihre Datenzentren zu erweitern, was einen enormen Stromverbrauch und den Einsatz von wirtschaftlicheren Plänen für die Bereitstellung von Ressourcen zur Folge hat, worunter die Qualität der Services leidet. Daher benötigen die Cloud-Anbieter Lösungen für die Senkung von Energiekosten und eine verbesserte Bereitstellung von Ressourcen. In dieser Arbeit stellen wir einen neuen Ansatz für ein kostenbewusstes Cloud-Energiemanagement vor, das die effektive Platzierung der virtuellen Maschinen (VMs) von Kunden in Cloud-Datenzentren ermöglicht. Dieser Ansatz besteht aus zwei Phasen: Zunächst erschaffen wir ein Model der Cloud-Infrastruktur, das Bayessche Netze (BNs) nutzt. BN sind graphische Modelle, die für relevante Variablen und deren probabilistische Abhängigkeiten stehen. Sie erlauben die Anwendung von Wissen über Domains, um versteckte und kausale Zusammenhänge zwischen unterschiedlichen Teilen der Cloud-Infrastruktur zu finden. Zweitens treffen wir Entscheidungen über eine effektive Platzierung der VMs, um Kosten des Cloud-Anbieters zu senken. Hier wenden wir Multikritierien-Entscheidungshilfen (MCDA) an. Dieses Verfahren hilft dabei, den Nutzen einer bestimmten Entscheidung quantitativ zu messen. Sie impliziert die Nutzung von Nutzenfunktionen, die auf Basis einer durch uns definierten Rangfolge von angemessenen Faktoren un Kriterien berechnet werden. Die relevante Forschung, die auf diesem Studiengebiet bereits getätigt wurde, deckt nicht alle Aspekte des Problems ab. Unsere Studie richtet den Blick insbesondere konkreter auf geo-verteilte Datenzentren, die häufig von Stromausfällen betroffen sind und in unterschiedlichen Zeitzonen bei sich ständig ändernden Außentemperaturen betrieben werden. Zusätzlich dazu haben wir ein Simulations-Kit entwickelt, das wir für die Validierung unserer Algorithmen verwendet haben, indem wir eine Leistungsbewertung durchgeführt haben. Die Ergebnisse der Experimente beweisen eine gute Leistung und Anwendbarkeit des vorgeschlagenen Models und sein hohes Potential, in verschiedenen realen Szenarien betrieben zu werden.

Cloud computing providers experienced fast growing trend in recent years by offering highly available and scalable services. However, increasing customer resource demand and competitive market force the providers to enlarge their data centers that leads to huge power consumption or apply more economical resource provision plans that degrades quality of service. Hence, the cloud providers need the solutions to decrease energy costs and improve resource provisioning. In this thesis, we propose a new approach for a cost-aware cloud power management that enables effective placement of customer's virtual machines (VMs) in the cloud data centers. This approach consists of two phases. First, we create a model of the cloud infrastructure using Bayesian Networks (BNs). BNs are graphical models that represent variables of interest and probabilistic dependencies among them. They allow to apply knowledge about domain in order to find hidden and causal relationships between different parts of cloud infrastructure. Second, we make decisions about effective VM placement in order to save cloud provider costs. On this step Multi-criteria decision aid (MCDA) is applied. This technique helps to quantitatively measure the benefit of a certain decision. It implies the usage of utility function that is calculated based on ranking set of reasonable factors and criteria defined by us. The related work that has been done in this field of study does not cover all aspects of the problem. In particular, our study focuses more concretely on the geo-distributed data centers experienced frequent power outages, operating in different time zones and in constantly changing outdoor temperatures. Additionally, we developed a simulation toolkit and used it to validate our algorithm by conducting a performance evaluation. The results of experiments proved good performance and applicability of the proposed model and its high potential to operate in various real-world scenarios.