The Journal of Korean Institute of Communications and Information Sciences (한국통신학회논문지)

The Korean Institute of Commucations and Information Sciences (한국통신학회)
권호 표지
DOI QR코드

DOI QR Code

Dynamic Resource Allocation in Distributed Cloud Computing

분산 클라우드 컴퓨팅을 위한 동적 자원 할당 기법

  • 안태형 (연세대학교 컴퓨터과학과 무선네트워킹 연구실) ;
  • 김예나 (연세대학교 컴퓨터과학과 무선네트워킹 연구실) ;
  • 이수경 (연세대학교 컴퓨터과학과 무선네트워킹 연구실)
  • Received : 2013.04.15
  • Accepted : 2013.07.02
  • Published : 2013.07.31
Download PDF
⟨ Previous Next ⟩

Abstract

A resource allocation algorithm has a high impact on user satisfaction as well as the ability to accommodate and process services in a distributed cloud computing. In other words, service rejections, which occur when datacenters have no enough resources, degrade the user satisfaction level. Therefore, in this paper, we propose a resource allocation algorithm considering the cloud domain's remaining resources to minimize the number of service rejections. The resource allocation rate based on Q-Learning increases when the remaining resources are sufficient to allocate the maximum allocation rate otherwise and avoids the service rejection. To demonstrate, We compare the proposed algorithm with two previous works and show that the proposed algorithm has the smaller number of the service rejections.

분산 클라우드 컴퓨팅에서 자원 할당 알고리즘은 사용자 만족도와 서비스 수용 및 처리 능력과 밀접한 관련을 가지기 때문에 중요하다. 즉, 분산 클라우드에서는 서비스 처리를 위해 이용가능한 자원이 없을 때 발생하는 서비스 거부는 사용자 만족도를 반감시킨다. 따라서 본 논문에서는 서비스 거부를 최소화하기 위하여 데이터센터 자원 상황을 고려한 자원 할당 알고리즘을 제안한다. 제안하는 알고리즘은 Q-Learning 기반의 자원 할당량 학습에 의해서 클라우드 데이터센터에서 최대 자원 할당량 만큼 할당을 할 수 있으면 자원 할당량이 증가하고 그렇지 못할 때는 자원 할당량이 감소하게 된다. 본 논문에서는 제안하는 알고리즘과 기존의 두 알고리즘을 평가하고 제안하는 알고리즘이 두 알고리즘 보다 낮은 서비스 거부율을 보임을 증명한다.

Keywords

References

  1. P. T. Endo, A. V. P. de Almeida Palhares, N. N. Pereira, G. E. Goncalves, D. Sadok, J. Kelner, B. Melander, and J.-E. Mangs, "Resource allocation for distributed cloud: concepts and research challenges," IEEE Network, vol. 25, no. 4, pp. 42-46, Jul.-Aug. 2011. https://doi.org/10.1109/MNET.2011.5958007
  2. M. Alicherry and T. V. Lakshman, "Network aware resource allocation in distributed clouds," in Proc. IEEE INFOCOM, pp. 963-971, Orlando, U.S.A., Mar. 2012.
  3. M. Armbrust, A. Fox, R. Griffith, A. D. Joseph, R. Katz, A. Konwinski, G. Lee, D. Patterson, A. Rabkin, I. Stoica, and M. Zaharia, "A view of cloud computing," Commun. ACM, vol. 53, no. 4, pp. 50-58, Apr. 2010.
  4. C. J. C. H Watkins and P. Dayan, "Q-Learning," Machine Learning, vol. 8, pp. 279-292, Jan. 1992.
  5. H. Liang, L. X. Cai, D. Huang, X. Shen, and D. Peng, "An SMDP-based service model for interdomain resource allocation in mobile cloud networks," IEEE Trans. Veh. Tech., vol. 61, no. 5, pp. 2222-2232, Jun. 2012. https://doi.org/10.1109/TVT.2012.2194748
  6. S. T. Maguluri, R. Srikant, and L. Ying, "Stochastic models of load balancing and scheduling in cloud computing clusters," in Proc. IEEE INFOCOM, pp. 702-710, Orlando, U.S.A., Mar. 2012.
  7. H. Kim, W. Kim, and Y. kim, "A pattern-based prediction model for dynamic resource provisioning in cloud environment," KSII Trans. Internet Inform. Syst., vol. 5, no. 10, pp. 1712-1732, Oct. 2011. https://doi.org/10.3837/tiis.2011.10.002
  8. J. Nie and S. Haykin, "A Q-learning-based dynamic channel assignment technique for mobile communication systems," IEEE Trans. Veh. Tech., vol. 48, no. 5, pp. 1676-1687, Sep. 1999. https://doi.org/10.1109/25.790549
  9. Y. Chen, C. Chang, and F. Ren, "Q-learning-based multirate transmission control scheme for RRM in multimedia WCDMA systems," IEEE Trans. Veh. Tech., vol. 53, no. 1, pp. 38-48, Jan. 2004. https://doi.org/10.1109/TVT.2003.822330
  10. L. Hu, X.-L. Che, and S.-Q. Zheng, "Online system for grid resource monitoring and machine learning-based prediction," IEEE Trans. Parallel Distrib. Syst., vol. 23, no. 1, pp. 134-145, Jan. 2012. https://doi.org/10.1109/TPDS.2011.108
  11. Y. J. Kim, "Modified Q-learning for intelligent system," J. Korea Inst. Commun. Soc. (KICS), vol. 33, no. 2, pp. 82-87, Feb. 2008.
  12. J. Rao, X. Bu, C.Z. Xu, and K. Wang, "A distributed self-learning approach for elastic provisioning of virtualized cloud resources," in Proc. IEEE MASCOTS, pp. 45-54, Singapore, Jul. 2011.