KR101479978B1 - 적응적 평가를 반영한 클라우드 자원 분배 방법 및 장치 - Google Patents

적응적 평가를 반영한 클라우드 자원 분배 방법 및 장치 Download PDF

Info

Publication number
KR101479978B1
KR101479978B1 KR20130080182A KR20130080182A KR101479978B1 KR 101479978 B1 KR101479978 B1 KR 101479978B1 KR 20130080182 A KR20130080182 A KR 20130080182A KR 20130080182 A KR20130080182 A KR 20130080182A KR 101479978 B1 KR101479978 B1 KR 101479978B1
Authority
KR
South Korea
Prior art keywords
profile
job
task
factor
executed
Prior art date
Application number
KR20130080182A
Other languages
English (en)
Inventor
김서영
황순욱
김상완
노승우
변은규
Original Assignee
한국과학기술정보연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술정보연구원 filed Critical 한국과학기술정보연구원
Priority to KR20130080182A priority Critical patent/KR101479978B1/ko
Priority to US14/326,618 priority patent/US9705816B2/en
Application granted granted Critical
Publication of KR101479978B1 publication Critical patent/KR101479978B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Debugging And Monitoring (AREA)

Abstract

본 명세서는 클라우드 자원 관리 장치가 클라우드 자원을 분배하는 방법을 개시한다. 상기 방법은, 기 수행된 작업 프로파일을 분석하여 어플리케이션 특성에 관련된 요인 및 컴퓨팅 자원에 관련된 요인 각각에 대한 영향력 지수를 계산하는 단계와; 상기 계산 결과를 기반으로 상기 어플리케이션 특성에 관련된 요인 중 가장 영향력 지수가 큰 제1 대표 요인 및 상기 컴퓨팅 자원에 관련된 요인 중 가장 영향력 지수가 큰 제2 대표 요인을 선정하는 단계와; 상기 기 수행된 작업 프로파일 중에서 요청된 작업과 동일한 상기 제1 대표 요인 값을 갖는 작업 프로파일을 선별하는 단계와; 상기 선별된 작업 프로파일 중에서 상기 제2 대표 요인을 기준으로 하나의 작업 프로파일을 선택하는 단계와; 상기 선택된 하나의 작업 프로파일에 대응되는 컴퓨팅 자원을 상기 요청된 작업에 분배하는 단계와; 상기 분배된 컴퓨팅 자원을 기초로 하여 상기 요청된 작업의 실행된 후, 상기 실행된 작업의 실행시간 및 상기 선택된 작업 프로파일의 실행시간을 비교하여 상기 실행된 작업을 평가하는 단계를 포함한다.

Description

적응적 평가를 반영한 클라우드 자원 분배 방법 및 장치{METHOD AND APPARATUS FOR ALLOCATING RESOURCE REFLECTING ADAPTIVE EVALUATION IN CLOUD COMPUTING}
본 명세서는 클라우드 컴퓨팅 시스템에서 효율적인 자원 분배를 수행하는 방법 및 그에 사용되는 장치에 관한 것이다.
클라우드 컴퓨팅의 발전으로 다양한 과학 분야의 연구자들은 연구에 필수적인 슈퍼 컴퓨터를 온-디멘드 서비스로 제공받을 수 있으며, 동적인 자원 확장이 가능해짐에 따라 그들의 연구 환경을 확장해 나가고 있다. 이처럼 사이언스 클라우드는 최근 여러 과학 분야에서 새로운 연구 환경 패러다임으로 주목받고 있다. 하지만 사용자의 요구에 알맞게 신속하고 동적인 가상 작업 공간을 구성하는 것이 어렵기 때문에 응용의 특성을 고려하여, 적절한 실험 환경을 미리 구성하는 것이 중요하게 여겨진다. 더불어 적정 수준의 성능을 보장하는 가상 머신을 제공하는 스케줄링 메커니즘도 요구된다.
본 명세서는 클라우드 컴퓨팅 시스템에서 효율적인 자원 분배를 수행하는 방법을 제안하는 데에 그 목적이 있다. 보다 구체적으로는 축적된 작업 이력을 분석하고, 그 결과를 기반으로 하여 작업 수행 시간에 영향력이 큰 요인을 찾아내어 이를 향후 자원 분배에 적용하는 클라우드 자원 분배 모델을 제안하고자 한다.
본 명세서의 일 실시예에 따라 클라우드 자원 관리 장치가 클라우드 자원을 분배하는 방법이 제공된다. 상기 방법은, 기 수행된 작업 프로파일을 분석하여 어플리케이션 특성에 관련된 요인 및 컴퓨팅 자원에 관련된 요인 각각에 대한 영향력 지수를 계산하는 단계와; 상기 계산 결과를 기반으로 상기 어플리케이션 특성에 관련된 요인 중 가장 영향력 지수가 큰 제1 대표 요인 및 상기 컴퓨팅 자원에 관련된 요인 중 가장 영향력 지수가 큰 제2 대표 요인을 선정하는 단계와; 상기 기 수행된 작업 프로파일 중에서 요청된 작업과 동일한 상기 제1 대표 요인 값을 갖는 작업 프로파일을 선별하는 단계와; 상기 선별된 작업 프로파일 중에서 상기 제2 대표 요인을 기준으로 하나의 작업 프로파일을 선택하는 단계와; 상기 선택된 하나의 작업 프로파일에 대응되는 컴퓨팅 자원을 상기 요청된 작업에 분배하는 단계; 상기 분배된 컴퓨팅 자원을 기초로 하여 상기 요청된 작업의 실행된 후, 상기 실행된 작업의 실행시간 및 상기 선택된 작업 프로파일의 실행시간을 비교하여 상기 실행된 작업을 평가하는 단계를 포함할 수 있다.
상기 영향력 지수를 계산하는 단계는 상기 어플리케이션 특성에 관련된 요인 및 상기 컴퓨팅 자원에 관련된 요인 각각의 값을 정규화한 후, 상기 정규화된 값을 기초로 주성분 분석(Principal Component Analysis)을 통해 상기 어플리케이션 특성에 관련된 요인 및 컴퓨팅 자원에 관련된 요인 각각에 대한 영향력 지수를 계산하는 단계일 수 있다.
상기 주성분 분석은 하기 수학식을 사용하여 수행되며,
? ?
Figure 112013061604094-pat00001
여기서 상기 Cov(J)는 행렬 J의 공분산 행렬이고, 상기 J는 n개의 작업 프로파일 및 d개의 요인을 갖는 n × d 행렬이고, 상기 JT는 상기 J의 전치행렬이다.
상기 실행된 작업을 평가하는 단계는 상기 실행된 작업의 실행시간 및 상기 선택된 작업 프로파일의 실행시간의 차이가 기 설정된 임계값 이상인 경우에는, 상기 실행된 작업에 대응되는 프로파일의 평가값을 증가시키고, 상기 실행된 작업의 실행시간 및 상기 선택된 작업 프로파일의 실행시간의 차이가 기 설정된 임계값 이하인 경우에는, 상기 실행된 작업에 대응되는 프로파일의 평가값을 감소시키는 단계일 수 있다.
상기 실행된 작업을 평가하는 단계는 상기 실행된 작업의 실행 결과가 성공인 경우에 수행될 수 있다.
본 명세서의 다른 실시예에 따라 클라우드 자원 관리 장치가 제공된다. 상기 장치는, 기 수행된 작업 프로파일을 분석하여 어플리케이션 특성에 관련된 요인 및 컴퓨팅 자원에 관련된 요인 각각에 대한 영향력 지수를 계산하는 영향력 지수 계산부와; 상기 계산 결과를 기반으로 상기 어플리케이션 특성에 관련된 요인 중 가장 영향력 지수가 큰 제1 대표 요인 및 상기 컴퓨팅 자원에 관련된 요인 중 가장 영향력 지수가 큰 제2 대표 요인을 선정하는 대표 요인 선정부와; 상기 기 수행된 작업 프로파일 중에서 요청된 작업과 동일한 상기 제1 대표 요인 값을 갖는 작업 프로파일을 선별하고, 상기 선별된 작업 프로파일 중에서 상기 제2 대표 요인을 기준으로 하나의 작업 프로파일을 선택하는 프로파일 참조부와; 상기 선택된 하나의 작업 프로파일에 대응되는 컴퓨팅 자원을 상기 요청된 작업에 분배하는 자원 분배부; 상기 분배된 컴퓨팅 자원을 기초로 하여 상기 요청된 작업의 실행된 후, 상기 실행된 작업의 실행시간 및 상기 선택된 작업 프로파일의 실행시간을 비교하여 상기 실행된 작업을 평가하는 실행 작업 평가부를 포함할 수 있다.
상기 영향력 지수 계산부는 상기 어플리케이션 특성에 관련된 요인 및 상기 컴퓨팅 자원에 관련된 요인 각각의 값을 정규화한 후, 상기 정규화된 값을 기초로 주성분 분석(Principal Component Analysis)을 통해 상기 어플리케이션 특성에 관련된 요인 및 컴퓨팅 자원에 관련된 요인 각각에 대한 영향력 지수를 계산할 수 있다.
상기 주성분 분석은 하기 수학식을 사용하여 수행되며,
? ?
Figure 112013061604094-pat00002
여기서 상기 Cov(J)는 행렬 J의 공분산 행렬이고, 상기 J는 n개의 작업 프로파일 및 d개의 요인을 갖는 n × d 행렬이고, 상기 JT는 상기 J의 전치행렬일 수 있다.
상기 실행 작업 평가부는 상기 실행된 작업의 실행시간 및 상기 선택된 작업 프로파일의 실행시간의 차이가 기 설정된 임계값 이상인 경우에는, 상기 실행된 작업에 대응되는 프로파일의 평가값을 증가시키고, 상기 실행된 작업의 실행시간 및 상기 선택된 작업 프로파일의 실행시간의 차이가 기 설정된 임계값 이하인 경우에는, 상기 실행된 작업에 대응되는 프로파일의 평가값을 감소시킬 수 있다.
상기 실행 작업 평가부는 상기 실행된 작업의 실행 결과가 성공인 경우에 상기 실행된 작업을 평가할 수 있다.
본 명세서의 실시예들은 어플리케이션 특성 및/또는 컴퓨팅 자원에 관련된 요인의 영향력을 여러 가지 통계적 분석을 통해 수치화하고, 수치화된 정보를 다음 가상 환경을 생성할 자원 선택에 활용하여 더욱 안정적인 자원 선택을 가능케 하고, 사용자에게 빠른 프로비저닝 서비스를 제공할 수 있으며, 어플리케이션 수행에 최적화된 가상 환경을 제공할 수 있다. 또한 지속적으로 변화하는 자원 환경을 반영하는 스케줄링 및 클라우드 프로비저닝 방법을 제공할 수 있다.
도 1은 본 명세서의 일 실시예에 따른 클라우드 자원 관리 장치를 나타낸 도면이다.
도 2는 컴퓨팅 자원에 관련된 요인의 정보를 나타낸 예시 도면이다.
도 3은 본 명세서의 일 실시예에 따른 실행 작업 평가 방법을 도시한 흐름도이다.
도 4는 본 명세서의 일 실시예에 따른 클라우드 자원 분배 방법을 도시한 흐름도이다.
도 5는 본 명세서의 일 실시예에 따른 클라우드 자원 관리 장치의 블록도이다.
본 명세서에서 사용되는 기술적 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 명세서에서 사용되는 기술적 용어는 본 명세서에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 명세서에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다. 본 발명의 사상은 첨부된 도면 외에 모든 변경, 균등물 내지 대체물에 까지도 확장되는 것으로 해석되어야 한다.
사이언스 클라우드(science cloud)는 가상화 기술을 핵심으로 하는 클라우드 컴퓨팅 기술과 e-사이언스의 장점을 접목시켜 확장성과 유연성이 강화된 가상 작업 공간을 제공한다. 즉, 연구자가 수행하는 연구에 맞는 자원을 원하는 시간만큼 빌려 사용할 수 있는 기능을 제공한다. 따라서 다분야의 연구 특성에 맞는 인프라를 동적으로 제공 가능한 사이언스 클라우드 만의 서비스로 연구의 규모뿐만 아니라 효율성과 유연성을 크게 제고시킬 수 있다. 이러한 점에서 클라우드 컴퓨팅 기술은 e-사이언스 기술을 이어가는 차세대 연구 환경으로써 활용도가 매우 높다.
이러한 클라우드 컴퓨팅 환경에서 사용자들이 요청한 작업에 대해 그들이 명시한 QoS 및 SLA(Service- Level Agreement)를 준수하여 자원을 제공하기 위해서는 클라우드 환경에 적합한 자원 관리 및 제어 기술이 요구된다. 즉, 클라우드는 모든 사용자의 어플리케이션이 동작할 수 있도록 유연하고 이용이 쉬운 실행 환경을 제공해야 하며, 사용자가 이용하고 있는 어플리케이션의 성능을 보장해 줄 수 있는 메커니즘을 제공해야 한다.
예컨대, 과학 분야의 어플리케이션의 경우, 세부적인 도메인에 따라 그 특성이 다르고 요구되는 컴퓨팅 환경이 다르므로 이를 위해서는 어플리케이션의 특성을 세밀하게 파악하는 일이 필요하다. 즉, 사용 이력들을 다양한 통계적 기술에 적용해 분석하고, 어플리케이션의 특성과 클라우드 컴퓨팅 환경 속성들 사이의 상호 작용을 파악할 필요가 있다. 한편, 사용 이력은 주로 거대한 양으로 존재하며, 다양한 요인들을 포함한다. 따라서 이력을 활용하여 그 특성을 찾기 위해서는 방대한 양의 데이터 중 그것들을 대표하고 의미 있는 데이터를 찾는 것이 중요하다. 이를 위해 본 명세서의 실시예에서는 상관관계 분석을 기본으로 한 통계적 기법(요인 분석, 주성분 분석(Principal Component Analysis), 스피어만 상관계수(Spearman correlation coefficient), 순위 상관계수(Spearman Rank Correlation Coefficient) 추출 등)을 사용해 요인들 사이의 상관 구조를 파악하며 영향력 있는 요인을 중심으로 데이터들의 차원을 축소하여 적절히 해석하고 활용한다.
도 1은 본 명세서의 일 실시예에 따른 클라우드 자원 관리 장치의 구조를 나타낸 도면이다.
사용자는 지리적인 위치에 관계없이 클라우드 시스템에 어플리케이션(응용, 응용 프로그램) 수행을 위한 계산 서비스 요청을 한다. 상기 요청을 수신한 클라우드 시스템의 자원 관리 장치(예: 자원 관리 계층(Resource Mgmt Layer))은 요청된 계산에 사용될 어플리케이션의 특성을 파악하고, 요인 추출 서비스(Factor Extract Service)를 기반으로 생성할 가상 머신(virtual machine)을 선택하고, 이를 배치할 특정 물리 자원 사이트를 결정한다. 상기 자원 관리 장치는 결정된 자원에 가상 머신을 배치하고 작업을 스케줄링하며, 수행 후에는 그 이력을 프로파일 저장소에 포함시킬 수 있다. 또한 상기 자원 관리 장치는 수행 결과에 기반하여 프로파일을 평가(Profile evaluator)한다. 수행되는 가상 머신은 동일한 실제 물리 머신 내에서 자원을 분할하여 사용하는 형태로 제공되며, 하나의 동일한 실제 자원 내에서 독립적이고 분별된 형태로 제공될 수 있다. 물리 머신들은 사용자의 요구 사항을 만족시키기 위한 실제 자원인 다양한 서버와 네트워크 등으로 구성된다.
클라우드에 계산 요청되는 어플리케이션(application)은 요인(factor, 파라미터)의 특성에 따라 수행시간, 작업 수행 성능 등의 변화가 유동적인 특징을 갖는다. 상기 요인(factor)들은 수행하는 작업 속성 또는 축적된 프로파일 형태에 따라 다양하게 정의될 수 있지만, 작업 수행 시간에 영향을 미치는 요인은 ① 어플리케이션 특성에 관련된 요인(예: 응용의 수행 때에 필요한 파라미터 값- 목적 함수의 변수, 반복 횟수 등, 작업 크기-실행 시 요구되는 코어 수, 길이-실행응용의 코드 길이 등)과 ② 컴퓨팅 자원에 관련된 요인(CPU성능- CPU 클락, CPU 당 코어개수, 메모리 크기, 작업 제출 위치에서 컴퓨팅 자원 사이의 네트워크 대역폭 등)들로 정의될 수 있다.
어플리케이션 요인 설정의 예로, 임의의 어플리케이션 A에서 축적된 작업 이력(프로파일)들을 대상으로 분석에 사용될 요인을 하기 표 1과 같이 정의할 수 있다.
요인 이름 요인 분류
f1 V1 AMACH
어플리케이션 요인
f2 V2 RE
f3 V3 AOA
f4 V4 ITMAX
f5 V5 CPU Clock/1 node
자원 요인
f6 V6 안정도
f7 V7 대역폭
f8 8V 거리
상기 표 1에서는 HTC 기반 응용 실행 중에 직접 사용되는 변수 V1~V4를 자주 사용되는 변수인 AMACH, RE, AOA, ITMAX 로 정하였다. AMACH, RE, AOA는 각각 마하(Mach) 수, Reynolds 수, 받음각(Angle of Attack)에 해당되며, ITMAX의 경우 반복 횟수를 의미한다. 이 변수들은 사용자가 원하는 범위 내의 값들의 조합으로 설정되어 할당되어 실행 시 입력 값으로 사용된다. 한편, 자원의 모니터링 정보를 참고해 노드 당 CPU 클락, 각 클러스터의 안정도(성공 횟수/전체시도횟수), 대역폭, 클러스터 위치를 자원 요인을 정의하였다.
작업 프로파일은 상기 표 1과 같이 정의된 요인 정보에 따라 하기 표 2처럼 축적될 수 있다. 이때, 어플리케이션 요인/자원 요인 각각을 수행 시간과의 비례 관계에 따라 5 단계로 나눠 정규화할 수 있다. (즉, 내림/오름차순으로 정렬 뒤 전체 개수의 상위 20, 40, 60, 80%에 해당하는 값, 그리고 최소와 최댓값을 경계로 하여 1~5점 스코어링)

id		 jid
r
s		 VM
(id)
Tid
f1 f2 f3 f4
110 0.8 500000 8 10000 sakura Done vm4 43310
111 0.7 5 6 10000 luke Done vm1 3275
정규화한 작업 프로파일은 하기 표 3과 같이 표현된다. 이때, 예를 들어 자원 요인의 경우에는, 그림 2를 5단계로 점수화한 후 반영할 수 있다. 가령, 표 2에서 id 110번의 이력은 sakura클러스터에서 수행됐으므로 이의 cpu 클락 수치의 해당 범위를 참조하여 f5 를 정규화된 값(“2”)으로 표현한다.

id		 jid r
s		 VM
(id)
Tid
f1 f2 f3 f4 f5 f6 f7 f8
110 4 3 4 3 2 5 2 1 Done vm4 43310
111 3 1 4 3 5 2 5 1 Done vm1 3275
상기 자원 관리 장치는 기존 작업 프로파일의 모든 요인들을 상기 표 3과 같이 정규화한 후, PCA(Principal Component Analysis) 기법을 통해 가장 영향력이 큰 요인을 분석한다.
PCA 기법의 수행 과정은 다음과 같다. n개의 작업 프로파일과 d개의 요인을 갖는 경우, n × d 행렬 J를 구성하여 공분산 행렬 Cov(J)를 하기 수학식 1를 통해 계산한다.
Figure 112013061604094-pat00003
Cov(J)에 대응하는 고유 벡터/ 값 쌍을 계산하면 요인의 개수만큼의 쌍이 생성 되며, 각 요인에 대응되는 d 개의 생성된 고유 값 중 가장 그 값이 큰 요인이 영향력이 큰 요인이 된다. 또한 값이 가장 큰 고유 값에 대응되는 고유 벡터를 이용하여 작업 이력들에 포함된 모든 작업들의 영향력 지수(주성분 점수)를 계산한다. 이때, 영향력 지수(주성분 점수)가 가장 높은 요인이 대표 요인이 된다. 상기 대표 요인은 어플리케이션 특성에 관련된 요인 중 가장 영향력 지수가 큰 제1 대표 요인, 컴퓨팅 자원에 관련된 요인 중 가장 영향력 지수가 큰 제2 대표 요인으로 구분할 수 있다.
하기 표 4는 79개의 작업 프로파일들에 대해 PCA 수행 후 그 영향력 지수를 계산한 결과 중 일부를 나타낸다.

id		 jid r
Tid
f1 f2 f3 f4 f5 f6 f7 f8
1 2 1 4 3 5 2 5 1 1483
2 4 1 4 3 2 5 4 1 1014
...
78 3 1 4 3 2 5 2 1 1933273
79 3 1 4 3 2 5 2 1 1919399
Eig_V 0.18 0 0 0 2.33 0.46 1.16 0.85
순위 1 - - - 1 4 2 3
분석 결과, 표본 프로파일들 중에서는 어플리케이션 특성에 관련된 요인 중, f2 ～f4 의 값의 변화가 없고 ‘AMACH’에 해당하는 f1 만 값에 변화가 있어서 f2 ～ f4 는 영향력 지수가 0이라는 결과가 도출되었다. 따라서 수학식 1의 실행 결과, 고유 값(영향력 지수)이 가장 큰 f1이 대표 요인(제1 대표 요인)이고, 컴퓨팅 자원과 관련된 요인 중에서는 CPU 클락에 해당되는 f5 가 가장 큰 영향력 지수(고유 값)을 가지므로 제2 대표 요인이 된다.
더 나아가, 각 작업 프로파일에 대하여 프로파일 (주성분) 점수를 구할 수도 있다. 가령 id 가 1인 작업 프로파일에 대한 주성분 점수는 하기 수학식 2와 같이 계산될 수 있다.
Figure 112013061604094-pat00004
(M(fi): fi의 평균, s(fi): fi의 표준편차)
가장 큰 고유 값에 대응되는 고유 벡터가 Eigen_Vector1= (-0.04, 0, 0, 0, 0.93, 0.25, 0.85, 0.80)
와 같다고 했을 때, 고유 벡터가 포함한 값들은 순서대로 각 요인들의 가중치(weight)를 의미하게 된다. 따라서 작업 id 1의 프로파일 주성분 점수는 요인마다 그 가중치를 나타내는 고유 벡터 값과 평균 및 표준점수를 이용하여 표준화시킨 값을 곱하여 수학식 2과 같이 계산한다. 이 작업들의 가상 머신 환경 정보는 새로운 작업을 위한 가상머신 환경을 준비하는 데에 사용될 수 있다.
클라우드 자원 관리 장치는 작업 수행 요청을 받게 되면, 상기 기 수행된 작업 프로파일 중에서 요청된 작업과 동일한 상기 제1 대표 요인 값을 갖는 작업 프로파일을 선별한다. 예를 들어 설명하면, 사용자로부터 {f1(AMACH): 0.7, f2(RE): 5, f3(AOA): 7, f4(ITMAX): 10000}의 요인 값을 갖는 작업 수행을 요청 받는 경우, 먼저 어플리케이션 특성에 관련된 요인 중 가장 영향력이 큰 f1(AMACH)의 값이 동일한 작업 프로파일을 기존 프로파일 집합에서 선별한다.
하기 표 5는 상기 선별한 작업 프로파일을 나타낸 것이다.

id		 jid
r
s		 VM
(id)
Tid
f1 f2 f3 f4
5 0.7 5 7 10000 rocks-52 Done vm6 9897
9 0.7 5 7 10000 rocks-52 Done vm3 1261
72 0.7 5 7 10000 rocks-52 Done vm5 907
73 0.7 5 7 10000 rocks-153 Done vm3 1482
76 0.7 5 7 10000 sakura Done vm1 1934276
클라우드 자원 관리 장치는 이 작업 프로파일 중 수행 시간이 가장 짧게 소요되며 자원 특성에 관련된 대표 요인(제2 대표 요인)인 CPU 클락 값이 높은 작업 이력을 참조하게 된다. 상기 표 5에서는 수행 시간이 작은 72번, 9번, 73번 작업 프로파일로부터 후보자원 “rocks-52, rocks-153”을 얻을 수 있다.
상기 클라우드 자원 관리 장치는 상기 선택된 하나의 작업 프로파일에 대응되는 컴퓨팅 자원을 상기 요청된 작업에 분배한다. 예를 들어 도 2에서 대표 자원 요인인 자원 별 CPU 클락 정도를 참고하면, 두 가지 후보 자원 중 “rocks-153”자원이 CPU 클락이 더 높으므로 최종적으로 작업을 수행할 자원으로 선택된다.
또한 상기 클라우드 자원 관리 장치는 선택된 자원에 배치할 가상 머신(virtual machine, VM)의 종류를 결정할 수 있다. 일 예로, 상기 클라우드 자원 관리 장치는 주성분 점수가 소정 기준 이상인 작업 프로파일 및 상기 선별된 작업 프로파일에 공통으로 포함된 작업 프로파일에 대응되는 가상 머신의 종류를 파악하고, 상기 파악된 가상 머신을 상기 선택된 하나의 작업 프로파일에 대응되는 컴퓨팅 자원에 배치할 수 있다.
예컨대, 일정한 양의 작업 프로파일의 전체 인자를 대상으로 분산이 가장 큰 작업 프로파일이 5, 18, 19, 20, 26, 27번 작업이고, 상기 제1 대표 요인을 기준으로 선별된 작업 프로파일이 표 5와 같다면, 양 쪽에 공통으로 포함된 작업 5번에 대응되는 가상머신 사양인 vm6이 선택되어 컴퓨팅 자원에 배치된다. 즉, 컴퓨팅 자원으로 선택된“rocks-153”클러스터에 vm6 인 CPU 2개, Memory 1024MB(표 6 참조)의 가상 머신을 배치시킨 후, 실행할 작업을 해당 가상 머신에 스케줄링 한다.
가상 머신 종류 CPU 개수(개) Memory 크기(MB) 가상 머신 종류 CPU 개수(개) Memory 크기(MB)
vm1 1 128 vm4 1 1024
vm2 1 256 vm5 2 512
vm3 1 512 vm6 2 1024
vm7 4 1024
상기에서 설명한 전반적인 클라우드 프로비저닝 과정은 다음과 같이 요약된다. 1) 축적된 작업 프로파일을 대상으로 주성분 분석 등의 적절한 통계적 분석을 이용하여 프로파일 분석을 수행한다. 2) 분석을 통해 추출된 결과를 활용하여 작업수행을 위한 가상 머신이 배치될 물리자원이 결정되고 가상 머신 속성이 결정된다.
도 3은 본 명세서의 일 실시예에 따른 실행 작업 평가 방법을 도시한 흐름도이다.
도 1 내지 도 2에서 설명한 과정을 거쳐 자원이 분배된 작업의 실행이 종료되면, 해당 작업의 실행 결과를 평가하여 현재 클라우드 사이트(예: 컴퓨팅 자원)의 상태에 반영한다. 만일 작업 수행이 성공일 경우에는 가상 머신이 수행된 사이트(자원)이 안정적인 확률이 높고, 실패 시에는 그 사이트의 안정도가 감소하였다고 평가할 수 있다(안정도(%)=성공 회수/전체 시도회수*100). 상기 작업 수행 결과가 ‘성공’인 경우, 참조한(즉, 도 1 내지 도 2에서 설명한 과정을 거쳐 선택된) 작업 프로파일의 수행시간(T(Pselected))과 실행된 작업의 수행시간(T(Pnew))을 비교한다(S310). 상기 비교 결과, 수행 시간 차이가 기 설정된 임계값(threshold)보다 크면, 최근 작업 이력에 대한 요인 분석을 재수행하고, 실행된 프로파일의 평가값(credit 값)을 1 감소시킨다(S320). 비교 결과, 수행 시간 차이가 기 설정된 임계값(threshold)보다 작으면, 실행된 프로파일의 평가값(credit 값)을 1 증가시킨다(S330). 추출된 요인이 갖는 평가값(credit 값)의 초기 값은 0 이며, 이 값이 -1보다 작아지면(-2 이하에 해당하면) 최근 작업 이력에 대한 요인 분석을 재수행한다. 이와 같은 방법으로 작업 수행 후에 실행 환경 상태를 적응적으로 갱신한다. 이러한 작업이력 평가 단계를 통해, 컴퓨팅 자원의 변화에 적응할 뿐만 아니라, 잦은 작업 이력 분석 수행 또한 방지할 수 있다.
도 4는 본 명세서의 일 실시예에 따른 클라우드 자원 분배 방법을 도시한 흐름도이다.
이하에서 상술하는 클라우드 자원 분배 방법은 도 1 내지 3에서 설명한 클라우드 자원 관리 장치에 의해 수행될 수 있다.
상기 클라우드 자원 관리 장치는 기 수행된 작업 프로파일을 분석하여 어플리케이션 특성에 관련된 요인 및 컴퓨팅 자원에 관련된 요인 각각에 대한 영향력 지수를 계산할 수 있다(S410).
이때 상기 어플리케이션 특성에 관련된 요인은 파라미터, 작업 크기, 길이 중 적어도 하나 이상을 포함할 수 있다. 또한 상기 컴퓨팅 자원 특성에 관련된 요인은 CPU성능, 메모리 크기, 네트워크 대역폭 중 적어도 하나 이상을 포함할 수 있다.
상기 영향력 지수를 계산하는 단계는 상기 어플리케이션 특성에 관련된 요인 및 상기 컴퓨팅 자원에 관련된 요인 각각의 값을 정규화한 후, 상기 정규화된 값을 기초로 주성분 분석(Principal Component Analysis)을 통해 상기 어플리케이션 특성에 관련된 요인 및 컴퓨팅 자원에 관련된 요인 각각에 대한 영향력 지수를 계산하는 단계일 수 있다. 또는 상기 주성분 분석 외에도 상관 관계 분석을 기본으로 한 요인 분석, 스피어만 상관계수(Spearman correlation coefficient), 순위 상관계수(Spearman Rank Correlation Coefficient) 추출 등과 같은 기법이 사용될 수도 있다.
상기 주성분 분석은 하기 수학식을 사용하여 수행될 수 있다.
? ?
Figure 112013061604094-pat00005
여기서 상기 Cov(J)는 행렬 J의 공분산 행렬이고, 상기 J는 n개의 작업 프로파일 및 d개의 요인을 갖는 n × d 행렬이며, 상기 JT는 상기 J의 전치행렬이다.
상기 클라우드 자원 관리 장치는 상기 계산 결과를 기반으로 상기 어플리케이션 특성에 관련된 요인 중 가장 영향력 지수가 큰 제1 대표 요인 및 상기 컴퓨팅 자원에 관련된 요인 중 가장 영향력 지수가 큰 제2 대표 요인을 선정할 수 있다(S420).
상기 클라우드 자원 관리 장치는 상기 기 수행된 작업 프로파일 중에서 요청된 작업과 동일한 상기 제1 대표 요인 값을 갖는 작업 프로파일을 선별할 수 있다(S430).
상기 클라우드 자원 관리 장치는 상기 선별된 작업 프로파일 중에서 상기 제2 대표 요인을 기준으로 하나의 작업 프로파일을 선택할 수 있다(S440).
상기 클라우드 자원 관리 장치는 상기 선택된 하나의 작업 프로파일에 대응되는 컴퓨팅 자원을 상기 요청된 작업에 분배할 수 있다(S450). 이때 상기 클라우드 자원 관리 장치는 분산 크기가 소정 기준 이상인 작업 프로파일 및 상기 선별된 작업 프로파일에 공통으로 포함된 작업 프로파일에 대응되는 가상 머신의 종류를 파악하고, 상기 파악된 가상 머신을 상기 선택된 하나의 작업 프로파일에 대응되는 컴퓨팅 자원에 배치할 수 있다.
상기 클라우드 자원 관리 장치는 상기 분배된 컴퓨팅 자원을 기초로 하여 상기 요청된 작업의 실행된 후, 상기 실행된 작업의 실행시간 및 상기 선택된 작업 프로파일의 실행시간을 비교하여 상기 실행된 작업을 평가할 수 있다(S460). 이때 상기 클라우드 자원 관리 장치는 상기 실행된 작업의 실행 결과가 성공인 경우에 상기 평가를 수행할 수 있다.
도 5는 본 명세서의 일 실시예에 따른 클라우드 자원 관리 장치의 블록도이다.
본 명세서의 실시예에 따른 클라우드 자원 관리 장치(100)는 영향력 지수 계산부(101), 대표 요인 선정부(102), 프로파일 참조부(103), 자원 분배부(104), 실행 작업 평가부(105)를 포함하여 구성될 수 있다.
상기 클라우드 자원 관리 장치(100)는 도 1 내지 도 4에서 설명한 클라우드 자원을 분배 방법을 수행할 수 있다.
상기 영향력 지수 계산부(101)는 기 수행된 작업 프로파일을 분석하여 어플리케이션 특성에 관련된 요인 및 컴퓨팅 자원에 관련된 요인 각각에 대한 영향력 지수를 계산할 수 있다.
상기 어플리케이션 특성에 관련된 요인은 파라미터, 작업 크기, 길이 중 적어도 하나 이상을 포함한다. 또한 상기 컴퓨팅 자원 특성에 관련된 요인은 CPU성능, 메모리 크기, 네트워크 대역폭 중 적어도 하나 이상을 포함한다.
이때 상기 영향력 지수 계산부(101)는 상기 어플리케이션 특성에 관련된 요인 및 상기 컴퓨팅 자원에 관련된 요인 각각의 값을 정규화한 후, 상기 정규화된 값을 기초로 주성분 분석(Principal Component Analysis)을 통해 상기 어플리케이션 특성에 관련된 요인 및 컴퓨팅 자원에 관련된 요인 각각에 대한 영향력 지수를 계산할 수 있다. 이 경우 상기 주성분 분석은 하기 수학식을 사용하여 수행될 수 있다.
? ?
Figure 112013061604094-pat00006
여기서 상기 Cov(J)는 행렬 J의 공분산 행렬이고, 상기 J는 n개의 작업 프로파일 및 d개의 요인을 갖는 n × d 행렬이고, 상기 JT는 상기 J의 전치행렬이다.
상기 대표 요인 선정부(102)는 상기 계산 결과를 기반으로 상기 어플리케이션 특성에 관련된 요인 중 가장 영향력 지수가 큰 제1 대표 요인 및 상기 컴퓨팅 자원에 관련된 요인 중 가장 영향력 지수가 큰 제2 대표 요인을 선정할 수 있다.
상기 프로파일 참조부(103)는 상기 기 수행된 작업 프로파일 중에서 요청된 작업과 동일한 상기 제1 대표 요인 값을 갖는 작업 프로파일을 선별하고, 상기 선별된 작업 프로파일 중에서 상기 제2 대표 요인을 기준으로 하나의 작업 프로파일을 선택할 수 있다.
상기 자원 분배부(104)는 상기 선택된 하나의 작업 프로파일에 대응되는 컴퓨팅 자원을 상기 요청된 작업에 분배할 수 있다. 상기 자원 분배부(104)는 주성분 점수가 소정 기준 이상인 작업 프로파일 및 상기 선별된 작업 프로파일에 공통으로 포함된 작업 프로파일에 대응되는 가상 머신의 종류를 파악하고, 상기 파악된 가상 머신을 상기 선택된 하나의 작업 프로파일에 대응되는 컴퓨팅 자원에 배치할 수 있다.
상기 실행 작업 평가부(105)는 상기 분배된 컴퓨팅 자원을 기초로 하여 상기 요청된 작업의 실행된 후, 상기 실행된 작업의 실행시간 및 상기 선택된 작업 프로파일의 실행시간을 비교하여 상기 실행된 작업을 평가할 수 있다. 이때 상기 실행 작업 평가부(105)는 상기 실행된 작업의 실행 결과가 성공인 경우에 상기 실행된 작업을 평가할 수 있다.
이상, 본 발명의 실시예에 대하여 설명하였으나, 해당 기술 분야에서 통상의 지식을 가진 자라면 특허청구범위에 기재된 본 발명의 사상으로부터 벗어나지 않는 범위 내에서, 구성 요소의 부가, 변경, 삭제 또는 추가 등에 의해 본 발명을 다양하게 수정 및 변경시킬 수 있을 것이며, 이 또한 본 발명의 권리범위 내에 포함된다고 할 것이다.
100 : 클라우드 자원 관리 장치
101 : 영향력 지수 계산부
102 : 대표 요인 선정부
103 : 프로파일 참조부
104 : 자원 분배부
105 : 실행 작업 평가부

Claims (11)

  1. 클라우드 자원 관리 장치가 클라우드 자원을 분배하는 방법으로서,
    기 수행된 작업 프로파일을 분석하여 어플리케이션 특성에 관련된 요인 및 컴퓨팅 자원에 관련된 요인 각각에 대한 영향력 지수를 계산하는 단계;
    상기 계산 결과를 기반으로 상기 어플리케이션 특성에 관련된 요인 중 가장 영향력 지수가 큰 제1 대표 요인 및 상기 컴퓨팅 자원에 관련된 요인 중 가장 영향력 지수가 큰 제2 대표 요인을 선정하는 단계;
    요청된 작업의 어플리케이션 파라미터 중에서 상기 제1 대표 요인에 대응되는 어플리케이션 파라미터를 정규화 하는 단계;
    상기 제1 대표 요인에 대하여, 상기 기 수행된 작업 프로파일 중에서 상기 요청된 작업의 정규화된 파라미터 값과 동일한 정규값을 갖는 작업 프로파일을 선별하는 단계;
    상기 선별된 작업 프로파일 중에서 상기 제2 대표 요인을 기준으로 하나의 작업 프로파일을 선택하는 단계;
    상기 선택된 하나의 작업 프로파일에 대응되는 컴퓨팅 자원을 상기 요청된 작업에 분배하는 단계;
    상기 분배된 컴퓨팅 자원을 기초로 하여 상기 요청된 작업의 실행된 후, 상기 실행된 작업의 실행시간 및 상기 선택된 작업 프로파일의 실행시간을 비교하여 상기 실행된 작업을 평가하는 단계;를 포함하는 것을 특징으로 하는 방법.
  2. 제1항에 있어서,
    상기 영향력 지수를 계산하는 단계는
    상기 어플리케이션 특성에 관련된 요인 및 상기 컴퓨팅 자원에 관련된 요인 각각의 값을 정규화한 후, 상기 정규화된 값을 기초로 주성분 분석(Principal Component Analysis)을 통해 상기 어플리케이션 특성에 관련된 요인 및 컴퓨팅 자원에 관련된 요인 각각에 대한 영향력 지수를 계산하는 단계인 것을 특징으로 하는 방법.
  3. 제2항에 있어서,
    상기 주성분 분석은 하기 수학식을 사용하여 수행되며,
    ? ?
    Figure 112013061604094-pat00007

    여기서 상기 Cov(J)는 행렬 J의 공분산 행렬이고, 상기 J는 n개의 작업 프로파일 및 d개의 요인을 갖는 n × d 행렬이고, 상기 JT는 상기 J의 전치행렬인 것을 특징으로 하는 방법.
  4. 제1항에 있어서,
    상기 실행된 작업을 평가하는 단계는
    상기 실행된 작업의 실행시간 및 상기 선택된 작업 프로파일의 실행시간의 차이가 기 설정된 임계값 이상인 경우에는, 상기 실행된 작업에 대응되는 프로파일의 평가값을 감소시키고,
    상기 실행된 작업의 실행시간 및 상기 선택된 작업 프로파일의 실행시간의 차이가 기 설정된 임계값 이하인 경우에는, 상기 실행된 작업에 대응되는 프로파일의 평가값을 증가시키는 단계인 것을 특징으로 하는 방법.
  5. 제4항에 있어서,
    상기 실행된 작업을 평가하는 단계는
    상기 실행된 작업의 실행 결과가 성공인 경우에 수행되는 것을 특징으로 하는 방법.
  6. 기 수행된 작업 프로파일을 분석하여 어플리케이션 특성에 관련된 요인 및 컴퓨팅 자원에 관련된 요인 각각에 대한 영향력 지수를 계산하는 영향력 지수 계산부;
    상기 계산 결과를 기반으로 상기 어플리케이션 특성에 관련된 요인 중 가장 영향력 지수가 큰 제1 대표 요인 및 상기 컴퓨팅 자원에 관련된 요인 중 가장 영향력 지수가 큰 제2 대표 요인을 선정하는 대표 요인 선정부;
    상기 기 수행된 작업 프로파일 중에서 요청된 작업과 동일한 상기 제1 대표 요인 값을 갖는 작업 프로파일을 선별하고,
    상기 선별된 작업 프로파일 중에서 상기 제2 대표 요인을 기준으로 하나의 작업 프로파일을 선택하는 프로파일 참조부;
    상기 선택된 하나의 작업 프로파일에 대응되는 컴퓨팅 자원을 상기 요청된 작업에 분배하는 자원 분배부;
    상기 분배된 컴퓨팅 자원을 기초로 하여 상기 요청된 작업의 실행된 후, 상기 실행된 작업의 실행시간 및 상기 선택된 작업 프로파일의 실행시간을 비교하여 상기 실행된 작업을 평가하는 실행 작업 평가부를 포함하는 것을 특징으로 하는 클라우드 자원 관리 장치.
  7. 제6항에 있어서,
    상기 영향력 지수 계산부는
    상기 어플리케이션 특성에 관련된 요인 및 상기 컴퓨팅 자원에 관련된 요인 각각의 값을 정규화한 후, 상기 정규화된 값을 기초로 주성분 분석(Principal Component Analysis)을 통해 상기 어플리케이션 특성에 관련된 요인 및 컴퓨팅 자원에 관련된 요인 각각에 대한 영향력 지수를 계산하는 것을 특징으로 하는 클라우드 자원 관리 장치.
  8. 제7항에 있어서,
    상기 주성분 분석은 하기 수학식을 사용하여 수행되며,
    ? ?
    Figure 112013061604094-pat00008

    여기서 상기 Cov(J)는 행렬 J의 공분산 행렬이고, 상기 J는 n개의 작업 프로파일 및 d개의 요인을 갖는 n × d 행렬이고, 상기 JT는 상기 J의 전치행렬인 것을 특징으로 하는 클라우드 자원 관리 장치.
  9. 제6항에 있어서,
    상기 실행 작업 평가부는
    상기 실행된 작업의 실행시간 및 상기 선택된 작업 프로파일의 실행시간의 차이가 기 설정된 임계값 이상인 경우에는, 상기 실행된 작업에 대응되는 프로파일의 평가값을 감소시키고,
    상기 실행된 작업의 실행시간 및 상기 선택된 작업 프로파일의 실행시간의 차이가 기 설정된 임계값 이하인 경우에는, 상기 실행된 작업에 대응되는 프로파일의 평가값을 증가시키는 것을 특징으로 하는 클라우드 자원 관리 장치.
  10. 제9항에 있어서,
    상기 실행 작업 평가부는
    상기 실행된 작업의 실행 결과가 성공인 경우에 상기 실행된 작업을 평가하는 것을 특징으로 하는 클라우드 자원 관리 장치.
  11. 제1항 내지 제5항 중 어느 하나에 따른 방법의 각 단계를 수행하는 명령들을 포함하는 컴퓨터 판독 가능 기록매체.
KR20130080182A 2013-07-09 2013-07-09 적응적 평가를 반영한 클라우드 자원 분배 방법 및 장치 KR101479978B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR20130080182A KR101479978B1 (ko) 2013-07-09 2013-07-09 적응적 평가를 반영한 클라우드 자원 분배 방법 및 장치
US14/326,618 US9705816B2 (en) 2013-07-09 2014-07-09 Method and apparatus for allocating resource reflecting adaptive evaluation in cloud computing for high-throughput computing

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR20130080182A KR101479978B1 (ko) 2013-07-09 2013-07-09 적응적 평가를 반영한 클라우드 자원 분배 방법 및 장치

Publications (1)

Publication Number Publication Date
KR101479978B1 true KR101479978B1 (ko) 2015-01-08

Family

ID=52588129

Family Applications (1)

Application Number Title Priority Date Filing Date
KR20130080182A KR101479978B1 (ko) 2013-07-09 2013-07-09 적응적 평가를 반영한 클라우드 자원 분배 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101479978B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112632088A (zh) * 2021-03-10 2021-04-09 南京路为智能科技有限公司 一种农机设备监测方法、系统及计算机可读存储介质
KR20210128722A (ko) * 2020-04-17 2021-10-27 한국전자통신연구원 멀리 클라우드 서비스 플랫폼 장치 및 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110002809A (ko) * 2009-07-02 2011-01-10 삼성전자주식회사 신축적 컴퓨팅 시스템 및 환경을 포함하는 컴퓨팅 시스템 및 환경에 대한 실행 할당 비용 평가
US20120005342A1 (en) 2010-07-01 2012-01-05 International Business Machines Corporation Cloud Service Cost-Optimal Data Center Assignment

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110002809A (ko) * 2009-07-02 2011-01-10 삼성전자주식회사 신축적 컴퓨팅 시스템 및 환경을 포함하는 컴퓨팅 시스템 및 환경에 대한 실행 할당 비용 평가
US20120005342A1 (en) 2010-07-01 2012-01-05 International Business Machines Corporation Cloud Service Cost-Optimal Data Center Assignment

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Calheiros et al. 'CloudSim: a toolkit for modeling and simulation of cloud computing environments and evaluation of resource provisioning algorithms.'Software-Practice and Experience. Vo.41, pp.23-50. *
조인석 외 1명. '클라우드 컴퓨팅 환경에서의 신뢰성 기반 적응적 스케줄링 기법'. 한국컴퓨터교육학회 논문지 제14권 제2호, 2011.3, pp.75-82. *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210128722A (ko) * 2020-04-17 2021-10-27 한국전자통신연구원 멀리 클라우드 서비스 플랫폼 장치 및 방법
KR102524540B1 (ko) 2020-04-17 2023-04-24 한국전자통신연구원 멀티 클라우드 서비스 플랫폼 장치 및 방법
US11966768B2 (en) 2020-04-17 2024-04-23 Electronics And Telecommunications Research Institute Apparatus and method for multi-cloud service platform
CN112632088A (zh) * 2021-03-10 2021-04-09 南京路为智能科技有限公司 一种农机设备监测方法、系统及计算机可读存储介质

Similar Documents

Publication Publication Date Title
US9705816B2 (en) Method and apparatus for allocating resource reflecting adaptive evaluation in cloud computing for high-throughput computing
Khorsand et al. An energy‐efficient task‐scheduling algorithm based on a multi‐criteria decision‐making method in cloud computing
Melhem et al. Markov prediction model for host load detection and VM placement in live migration
Huang et al. When backpressure meets predictive scheduling
Li et al. Energy-efficient migration and consolidation algorithm of virtual machines in data centers for cloud computing
Moreno et al. Improved energy-efficiency in cloud datacenters with interference-aware virtual machine placement
CN103631657A (zh) 一种基于MapReduce的任务调度算法
CN104239141A (zh) 数据中心中基于工作流关键路径的任务优化调度方法
Bindu et al. Optimized resource scheduling using the meta heuristic algorithm in cloud computing
KR20140117905A (ko) 클라우드 서비스의 가상자원 할당을 위한 퍼지 로직 기반의 자원평가 장치 및 방법
Filiposka et al. Community-based VM placement framework
CN112241319B (zh) 均衡负载的方法、电子设备和计算机程序产品
CN104199724B (zh) 一种基于性价比的虚拟化资源调度优化方法
JP2023101234A (ja) クラウドアプリケーションデプロイ装置およびクラウドアプリケーションデプロイ方法
KR101479978B1 (ko) 적응적 평가를 반영한 클라우드 자원 분배 방법 및 장치
Garg et al. Optimal virtual machine scheduling in virtualized cloud environment using vikor method
Monil et al. Incorporating Migration Control in VM Selection Strategies to Enhance Performance.
Wang et al. Effects of correlation-based VM allocation criteria to cloud data centers
CN106506229A (zh) 一种sbs云应用自适应资源优化调整系统及方法
Yassir et al. Graph-based model and algorithm for minimising big data movement in a cloud environment
Rajagopal et al. Fuzzy softset based VM selection in cloud datacenter
Chen et al. A two-level virtual machine self-reconfiguration mechanism for the cloud computing platforms
Zhanikeev Optimizing virtual machine migration for energy-efficient clouds
Wang et al. A probabilistic multi-tenant model for virtual machine mapping in cloud systems
Mongia EMaC: Dynamic VM Consolidation Framework for Energy-Efficiency and Multi-metric SLA Compliance in Cloud Data Centers

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20130709

PA0201 Request for examination
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20140807

Patent event code: PE09021S01D

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20141229

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20141231

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20150102

End annual number: 3

Start annual number: 1

PG1601 Publication of registration
FPAY Annual fee payment

Payment date: 20170927

Year of fee payment: 4

PR1001 Payment of annual fee

Payment date: 20170927

Start annual number: 4

End annual number: 4

FPAY Annual fee payment

Payment date: 20180809

Year of fee payment: 5

PR1001 Payment of annual fee

Payment date: 20180809

Start annual number: 5

End annual number: 5

PR1001 Payment of annual fee

Payment date: 20200923

Start annual number: 7

End annual number: 7

PR1001 Payment of annual fee

Payment date: 20210927

Start annual number: 8

End annual number: 8

PR1001 Payment of annual fee

Payment date: 20230921

Start annual number: 10

End annual number: 10

PR1001 Payment of annual fee