KR20110002809A - 신축적 컴퓨팅 시스템 및 환경을 포함하는 컴퓨팅 시스템 및 환경에 대한 실행 할당 비용 평가 - Google Patents

신축적 컴퓨팅 시스템 및 환경을 포함하는 컴퓨팅 시스템 및 환경에 대한 실행 할당 비용 평가 Download PDF

Info

Publication number
KR20110002809A
KR20110002809A KR1020100063051A KR20100063051A KR20110002809A KR 20110002809 A KR20110002809 A KR 20110002809A KR 1020100063051 A KR1020100063051 A KR 1020100063051A KR 20100063051 A KR20100063051 A KR 20100063051A KR 20110002809 A KR20110002809 A KR 20110002809A
Authority
KR
South Korea
Prior art keywords
computing
execution
executable
data
computing system
Prior art date
Application number
KR1020100063051A
Other languages
English (en)
Other versions
KR101768005B1 (ko
Inventor
정상오
쿤지타팻함 아누기타
제이 기브스 시몬
장 신웬
Original Assignee
삼성전자주식회사
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
Priority claimed from US12/559,394 external-priority patent/US9052958B2/en
Priority claimed from US12/609,970 external-priority patent/US8239538B2/en
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Publication of KR20110002809A publication Critical patent/KR20110002809A/ko
Application granted granted Critical
Publication of KR101768005B1 publication Critical patent/KR101768005B1/ko

Links

Images

Classifications

    • 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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5066—Algorithms for mapping a plurality of inter-dependent sub-tasks onto a plurality of physical CPUs
    • 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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/448—Execution paradigms, e.g. implementations of programming paradigms
    • G06F9/4494—Execution paradigms, e.g. implementations of programming paradigms data driven
    • 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]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
    • 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]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/5044—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering hardware capabilities
    • 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]
    • G06F9/5094—Allocation of resources, e.g. of the central processing unit [CPU] where the allocation takes into account power or heat criteria
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/104—Peer-to-peer [P2P] networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Stored Programmes (AREA)

Abstract

신축적 컴퓨팅 환경에서 실행을 위한 실행가능 코드의 실행가능한 부분들을 개별적으로 할당하는 기법들이 개시된다. 신축적 컴퓨팅 환경에서, 확장가능하고 동적인 외부 컴퓨팅 자원들이, 컴퓨팅 시스템 또는 환경의 내부 컴퓨팅 자원에 의해 제공될 수 있는 능력을 넘어서 컴퓨팅 능력을 효과적으로 확대하기 위하여 이용될 수 있다. 기계 학습은, 컴퓨팅 시스템(예를 들어, 컴퓨팅 디바이스)의 내부 컴퓨팅 자원으로 또는 동적으로 확장가능한 컴퓨팅 자원(예를 들어, 클라우드)의 외부 자원으로, 실행을 위한 실행가능 컴퓨터 코드의 각 개별적인 부분(예를 들어, 웹릿)을 할당할 지 여부를 자동적으로 결정하는데 이용될 수 있다. 예를 들어, 상태 및 선호 데이터는, 지도 학습 메커니즘을 훈련하여, 컴퓨팅 디바이스가 신축적 컴퓨팅 환경의 내부 및 외부 컴퓨팅 자원으로 실행가능 코드를 자동적으로 할당하도록 허용하는데 이용될 수 있다.

Description

신축적 컴퓨팅 시스템 및 환경을 포함하는 컴퓨팅 시스템 및 환경에 대한 실행 할당 비용 평가{Execution allocation cost assessment for computing systems and environments including elastic computing systems and environments}
본 발명은 컴퓨팅 시스템 및 컴퓨팅 환경에 관한 것으로, 더욱 상세하게는, 무엇보다도 컴퓨팅 시스템(예를 들어, 컴퓨팅 디바이스)의 컴퓨팅 능력이 런타임에서 동적인 방식으로 효과적으로 확장될 수 있는 "신축적(elastic)" 컴퓨팅 환경에서 이용되는 기술에 관한 것이다.
개념적으로, 컴퓨팅 시스템(예를 들어, 컴퓨팅 디바이스, 개인용 컴퓨터, 랩탑, 스마트 폰, 이동 전화)은 정보(컨텐트 또는 데이터)를 수용하고 관리하여 정보 처리 방법을 효과적으로 기술한 일련의 명령어(또는 컴퓨터 프로그램)에 기초한 결과를 획득하거나 결정한다. 통상적으로, 정보는 바이너리 형태로 컴퓨터 판독가능 매체에 저장된다. 더 복잡한 컴퓨팅 시스템들은 컴퓨터 프로그램 자체를 포함하는 컨텐트를 저장할 수 있다. 컴퓨터 프로그램은 마이크로프로세서들 또는 컴퓨터 칩들에서 제공되는 논리 회로로서, 예를 들어, 컴퓨터(또는 컴퓨팅) 디바이스에서 불변적인 형태로 되거나 내장될 수 있다. 오늘날, 범용 컴퓨터들은 2가지 종류의 프로그래밍을 가질 수 있다. 또한, 컴퓨팅 시스템은 무엇보다도 다양한 자원들(예를 들어, 메모리, 주변 기기) 및 서비스들(예를 들어, 오프닝 파일과 같은 기본 기능)을 관리하고, 자원들이 다수개의 프로그램들 사이에서 공유되도록 하는 지원 시스템을 가질 수 있다. 이러한 지원 시스템은 일반적으로 프로그래머들에게 이들 자원들 및 서비스들을 액세스하는데 이용되는 인터페이스를 제공하는 운영체제(OS)로서 알려져 있다.
오늘날, 많은 종류의 컴퓨팅 디바이스들이 이용되고 있다. 이들 컴퓨팅 디바이스들은 크기, 비용, 저장 용량 및 컴퓨팅 파워에 따라 넓은 범위에 존재한다. 오늘날 이용가능한 컴퓨팅 디바이스들은, 고비용의 강력한 서버, 상대적으로 저렴한 개인용 컴퓨터(PC's) 및 랩탑, 그리고 저장 장치에 제공되는 덜 비싼 마이크로프로세서(또는 컴퓨터 칩), 자동차, 및 가전용 전자 제품을 포함한다.
최근들어, 컴퓨팅 시스템은 좀 더 휴대가능하고 이동가능하게 되고 있다. 결과적으로, 다양한 이동 기기 및 핸드헬드 기기들이 이용가능하게 만들어졌다. 예를 들어, 무선 전화, 미디어 플레이어, PDA(Personal Digital Assistants)가 오늘날 널리 이용된다. 일반적으로, 이동 기기 또는 핸드헬드 기기(핸드헬드 컴퓨터 또는 간단히 핸드헬드라고도 알려짐)은 포켓 크기의 컴퓨팅 디바이스로, 통상적으로 사용자 출력을 위한 소형 비주얼 디스플레이 스크린 및 사용자 입력을 위한 소형화된 키보드를 이용한다. PDA의 경우에, 입력 및 출력은 터치 스크린 인터페이스와 결합될 수 있다.
특히, 이동 통신 디바이스(예를 들어, 이동 전화)은 매우 대중화되고 있다. 일부 이동 통신 디바이스(예를 들어, 스마트폰)은 개인용 컴퓨터(PC)에 의해 제공되는 것과 유사한 컴퓨팅 환경을 제공한다. 예를 들어, 스마트폰은 애플리케이션 개발자들을 위한 표준화된 인터페이스 및 플랫폼으로서 완벽한 운영 체제를 실질적으로 제공할 수 있다.
또 다른 더 최근의 경향은 인터넷의 접근성 및 인터넷을 통해 제공될 수 있는 서비스가 매우 증가하고 있다는 점이다. 오늘날, 다양한 컴퓨팅 디바이스를 이용하여 가상적으로 어느 곳에서나 인터넷에 접근할 수 있다. 예를 들어, 이동 전화, 스마트폰, 데이터카드, 핸드헬드 게임 콘솔, 셀룰러 라우터 및 다양한 다른 디바이스가 셀룰러 네트워크에서 사용자가 어느 곳에서라도 인터넷에 접속하는 것을 허용할 수 있다. 포켓 크기 또는 핸드헬드 디바이스의 소형 스크린 및 다른 제한된 그리고 축소된 기능에 의한 제한범위 내에서, 이메일 및 웹 브라우징을 포함하는 인터넷 서비스가 이용가능할 수 있다. 통상적으로, 사용자들은 웹 브라우저로 정보를 관리하지만, 다른 소프트웨어는 사용자들이 인터넷에 접속된 컴퓨터 네트워크와 인터페이스하도록 할 수 있다. 이들 다른 프로그램은 예를 들어, 전자 메일, 온라인 채팅(online chat), 파일 전송 및 파일 공유를 포함한다. 오늘날의 인터넷은 사용자가 다수의 채널들 사이에서 정보를 공유하도록 하는, 상호연결된 컴퓨터의 광범위한 국제적 네트워크로서 보여질 수 있다. 통상적으로, 인터넷에 접속하는 컴퓨터는, 방대한 가용 서버들의 집합체 및 다른 컴퓨터들로부터 컴퓨터 로컬 메모리로 정보를 이동시킴으로써, 방대한 가용 서버들의 집합체 및 다른 컴퓨터로부터 정보를 액세스할 수 있다. 인터넷은 매우 인기가 많아지고 있으며 이용범위 및 응용범위가 넓어짐으로 인해 쉽게 증명되는 바와 같이, 매우 유용하며 중요한 자원이다.
컴퓨팅 시스템들의 인기는 일상 생할에서 이용의 증가로 증명된다. 따라서, 컴퓨팅 시스템을 개선할 수 있는 기술들은 매우 유용할 것이다.
컴퓨팅 시스템(예를 들어, 컴퓨팅 디바이스)의 컴퓨팅 능력이 런타임에서 동적인 방식으로 효과적으로 확장될 수 있는 "신축적(elastic)" 컴퓨팅 환경에서 실행가능한 콘텐트를 할당하는 기술이 제안된다.
신축적 컴퓨팅 환경에서, 신축적 컴퓨팅 시스템(예를 들어, 컴퓨팅 디바이스)는 실행가능 컴퓨터 코드(executable computer code)의 런타임 동안, 외부 컴퓨팅 자원으로서 동적으로 확장가능한 컴퓨팅 자원(Dynamically Scalable Computing Resources)을 효과적으로 이용하여, 하나 이상의 실행가능 컴퓨터 코드의 부분들을 실행(또는, 실행 계속)할지 여부를 결정하도록 동작될 수 있다. 런타임(예를 들어, 로드 시간 동안, 로드 시간 후이지만 실행 시간 전, 실행 시간)으로 동적인 방식으로, 컴퓨팅 시스템은 내부 컴퓨팅 자원과 동적으로 확장가능한 컴퓨팅 자원의 외부 컴퓨팅 자원 사이에서 실행가능 컴퓨터 코드의 실행의 할당의 상대적인 범위(extent)를 결정할 수 있다.
본 발명의 일 측면에 따르면, 기계 학습(machine learning)은 내부 컴퓨팅 자원 및 외부 컴퓨팅 자원 사이에 실행가능 컴퓨터 코드의 실행가능한 부분들을 할당하는 방법을 결정하는데 이용될 수 있다. 외부 컴퓨팅 자원은, 예를 들어, 동적으로 확장가능한 컴퓨팅 자원(DSCR) 또는 추상적 동적으로 확장가능한 컴퓨팅 자원(ADSCR)일 수 있다. 기계 학습은 또한 내부 및 외부 컴퓨팅 자원으로 실행가능 컴퓨터 코드의 실행가능한 부분들(예를 들어, Weblets)을 자동적으로 할당하도록 할 수 있음이 인식될 것이다. 이 할당은 런타임에서 이루어질 수 있다. 특히, 지도 기계 학습(supervised machine learning)은 신축적 컴퓨팅 환경에서 실행가능한 콘텐트의 할당을 위한 기계 학습의 더 실행가능한 형태로서 특히 적합할 수 있다. 나이브 베이스 분류(Naive Bayes classification)는 아래에 더 상세하게 설명되는 바와 같이 지도 기계 학습의 일 예이다. 다른 예들은 서포트 벡터 머신(Support Vector Machines) 및 로지스틱 회귀분석(Logistic Regression) 및 최소 자승법(Least Square Estimation)을 포함한다.
본 발명의 일 실시예에 따르면, 컴퓨팅 시스템은, 그 내부 컴퓨팅 자원들 및 하나 이상의 외부 컴퓨팅 자원들 사이에 실행을 위한 실행가능 컴퓨터 코드의 실행가능 부분들(예를 들어, 웹 기반 애플리케이션의 웹릿(Weblet))을 개별적으로 할당하는 방법을, 기계 학습 기반으로, 결정하도록 동작할 수 있다. 외부 컴퓨팅 자원은 예를 들어, 동적으로 확장가능한 컴퓨팅 자원(예를 들어, 클라우드)일 수 있다. 컴퓨팅 시스템은 또한 실행가능 컴퓨터 코드의 복수 개의 실행가능 부분들을 자동적으로 할당하기 위하여 기계 학습을 이용하도록 동작될 수 있다.
본 발명의 일 실시예에 따르면, 신축적 컴퓨팅 환경에서 실행가능 코드를 할당하는 방법이 제공될 수 있다. 본 방법은 컴퓨팅 시스템의 하나 이상의 내부 컴퓨팅 자원과 컴퓨팅 시스템 외부의 적어도 하나의 동적으로 확장가능한 컴퓨팅 자원을 포함하는 하나 이상의 외부 컴퓨팅 자원 사이에, 실행을 위한 실행가능 컴퓨터 코드의 복수 개의 실행가능한 부분들을 개별적으로 할당하는 방법을, 기계 학습 기반으로 결정할 수 있다.
일반적으로, 본 발명은 방법, 장치, 컴퓨터 판독가능(및/또는 저장가능) 매체, 및 컴퓨팅 시스템(예를 들어, 컴퓨팅 디바이스)를 포함하는, 다양한 방법으로 구현될 수 있다. 컴퓨터 판독가능 매체는, 예를 들어, 유형의 형태로 적어도 실행가능한 컴퓨터 프로그램 코드를 포함하거나 저장할 수 있다.
본 발명의 다른 측면 및 이점은 본 발명의 원리를 예시적으로 설명하는, 첨부의 도면과 결합된 다음의 상세한 설명으로부터 명백해질 것이다.
신축적 컴퓨팅 환경(ECE)에서, 다양한 실행가능 코드 컴포넌트 또는 모듈은 CE 디바이스와 하나 이상의 컴퓨팅 자원 제공자, 예를 들어, 하나 이상의 플랫폼 및/또는 서비스를 제공하는 클라우드 사이에 효과적으로 분할될 수 있다. 따라서, 제한되고 축소된 컴퓨팅 자원 및/또는 파워, 변화하는 통신 속도, 품질 및/또는 사용자에 대한 응답을 포함한 일반적인 특징을 가지는 CE 및/또는 이동 장치에 유용하게 적용될 수 있다.
본 발명은 첨부의 도면과 결합하여 다음의 상세한 설명에 의해 쉽게 이해될 수 있으며, 유사한 참조 부호는 유사한 구조적 요소를 가리킨다.
도 1a는 본 발명의 일 실시예에 따른 컴퓨팅 디바이스를 나타낸다.
도 1b는 본 발명의 일 실시예에 따른 컴퓨팅 디바이스의 내부 능력을 확대(또는 확장)하는 방법을 나타낸다.
도 1c는 본 발명의 다른 실시예에 따른 컴퓨팅 디바이스의 내부 능력을 확대(또는 확장)하는 방법을 나타낸다.
도 1d는 본 발명의 다른 실시예에 따른 실행가능 컴퓨터 코드를 실행하는 방법을 나타낸다.
도 2는 본 발명의 일 실시예에 따른 컴퓨팅 환경을 나타낸다.
도 3은 본 발명의 일 실시예에 따른 웹 기반 환경에서 컴퓨팅 장치를 나타낸다.
도 4a, 4b, 4c 및 4d는 본 발명의 많은 실시예에 따른 동적으로 조정가능한(또는 신축적) 컴퓨팅 디바이스의 다양한 구성을 나타낸다.
도 5는 본 발명의 일 실시예에 따른 컴퓨팅/통신 환경에서 신축성 서비스를 통해서 클라우드 자원을 효과적으로 소비하도록 동작하는 신축적 이동 장치(또는 이동 단말)를 나타낸다.
도 6은 본 발명의 일 실시예에 따른 신축적 컴퓨팅 환경을 나타낸다.
도 7a는 본 발명의 다른 실시예에 따른 신축적 컴퓨팅 환경을 나타낸다.
도 7b는 본 발명의 일 실시예에 따른 제1 컴퓨팅 디바이스와 하나 이상의 컴퓨팅 자원 제공자 사이에 또는 제1 컴퓨팅 디바이스와 하나 이상의 컴퓨팅 자원 제공자로, 실행가능 컴퓨터 코드의 실행의 할당의 상대적 범위를 결정하는 방법을 나타낸다.
도 8은 본 발명의 일 실시예에 따른 클라우드 상에서 비용 모델 서비스를 나타낸다.
도 9는 본 발명과 관련하여 이용될 수 있는 예시적인 파워 그래프 변환을 나타낸다.
도 10a는 본 발명의 일 실시예에 따른 신축적 컴퓨팅 환경에서 신축적 컴퓨팅 디바이스(또는 시스템)을 나타낸다.
도 10b는 본 발명의 일 실시예에 따른 신축적 컴퓨팅 환경에서 실행가능한 콘텐트를 할당하는 방법을 나타낸다.
도 11a는 본 발명의 일 실시예에 따른 지도 학습 기반 실행 할당 시스템에 제공될 수 있는 훈련 데이터를 나타낸다.
도 11b는 본 발명의 다른 실시예에 따른 지도 학습을 위한 훈련 데이터를 이동하도록 동작가능한 MLEAS를 나타낸다.
배경 기술 부분에서 설명한 바와 같이, 컴퓨팅 환경 및 시스템은 매우 유용하다. 오늘날, 다양한 컴퓨팅 디바이스들이 일상 생활에 통합되고 있다. 특히, 휴대용 컴퓨팅 디바이스가 매우 대중화되고 있다. 예를 들어, 더욱 싸고 더 강력한 휴대용 컴퓨팅 디바이스를 제공하기 위하여 광범위한 노력이 이루어지고 있다. 또한, 광범위한 컴퓨팅 능력을 가진 현대적 전자 제품(CE)을 제공하는 것은 매우 바람직하다. 그러나, 종래의 컴퓨팅 환경 및 기술은 일반적으로 현대적 휴대가능 CE 컴퓨팅 디바이스를 제공하는데 적합하지 않다. 즉, 더 전통적인 컴퓨팅 디바이스(예를 들어, 개인용 컴퓨터, 서버)에 제공되는 종래의 컴퓨팅 환경은 상대적으로 비싸고 복잡하며, 현대적 CE 컴퓨팅 디바이스, 특히, 제한되며 축소된 자원(예를 들어, 프로세싱 능력, 메모리, 배터리 능력)을 가지고 다른 기능(예를 들어, 전화 걸기, 냉장고로서의 기능)을 제공하도록 의도된 CE 디바이스에게 일반적으로 적합하지 않다. 어떤 경우에, CE 디바이스의 컴퓨팅 능력은 부차적 능력(예를 들어, 텔레비전, 냉장고 등)으로서 제공될 것이다. 예를 들어, 현대적 CE 디바이스에 광범위한 컴퓨팅 능력을 제공하기 위하여 상대적으로 복잡하여 광범위한 컴퓨팅 환경을 이용하는 것은 매우 바람직하지 않다.
전술한 관점에서, 개선된 컴퓨팅 환경이 필요하다.
본 발명은 개선된 컴퓨팅 환경 및 컴퓨팅 기술을 제공한다. 더 상세하게는, 본 발명은 무엇보다도 컴퓨팅 시스템(예를 들어, 컴퓨팅 디바이스)의 컴퓨팅 능력이 런타임에서 동적으로 효율적으로 확장될 수 있는 "신축적" 컴퓨팅 환경에서 실행가능한 콘텐트를 할당하는 기술에 관한 것이다. 신축적 컴퓨팅 환경에서, 신축적 컴퓨팅 시스템(예를 들어, 컴퓨팅 디바이스)은, 외부 컴퓨팅 자원으로서 동적으로 확장가능한 컴퓨팅 자원을 효과적으로 이용함으로써 실행가능 컴퓨터 코드의 하나 이상의 부분을 실행(또는 실행 계속)할지 여부를 결정하도록 동작할 수 있다. 런타임(예를 들어, 로드 시간 동안, 로드 시간 후이지만 실행 시간 전, 실행 시간)으로 동적인 방식으로, 컴퓨팅 시스템은 내부 컴퓨팅 자원과 동적으로 확장가능한 컴퓨팅 자원인 외부 컴퓨팅 자원 사이에서 실행가능 컴퓨터 코드의 실행의 할당의 상대적인 범위를 결정할 수 있으며, 그에 따라 실행을 할당할 수 있다.
본 발명의 일 측면에 따르면, 기계 학습(machine learning)은 내부 컴퓨팅 자원 및 외부 컴퓨팅 자원 사이에 실행가능 컴퓨터 코드의 실행가능한 부분들을 할당하는 방법을 결정하는데 이용될 수 있다. 외부 컴퓨팅 자원은, 예를 들어, 동적으로 확장가능한 컴퓨팅 자원(DSCR) 또는 추상적 동적으로 확장가능한 컴퓨팅 자원(ADSCR)일 수 있다. 기계 학습은 또한 내부 및 외부 컴퓨팅 자원으로 실행가능 컴퓨터 코드의 실행가능한 부분들(예를 들어, Weblets)을 자동적으로 자동 할당하도록 할 수 있음이 인식될 것이다. 이 할당은 런타임에서 이루어질 수 있다. 특히, 지도 기계 학습은 신축적 컴퓨팅 환경에서 실행가능한 콘텐트의 할당에 대한 기계 학습의 더 실행가능한 형태로서 특히 적합할 수 있다. 나이브 베이스 분류(Naive Bayes classification)는 아래에 더 상세하게 설명되는 바와 같이 지도 기계 학습의 일 예이다. 다른 예들은 서포트 벡터 머신(Support Vector Machines) 및 로지스틱 회귀분석(Logistic Regression) 및 최소 자승법(Least Square Estimation)을 포함한다.
본 발명의 이들 측면의 실시예들을 도 1a 내지 11d를 참조하여 아래에 설명한다. 그러나, 당업자는 이들 도면들에 대해 주어진 상세한 설명은 예시적인 목적이며 본 발명은 이들 제한된 실시예를 넘어 확장될 수 있음을 쉽게 인식할 것이다.
도 1a는 본 발명의 일 실시예에 따른 컴퓨팅 디바이스(또는 컴퓨팅 시스템)(100)을 나타낸다. 도 1a를 참조하면, 컴퓨팅 디바이스(100)는 하나 이상의 컴퓨팅 자원("내부 컴퓨팅 자원")(102)을 효과적으로 이용하여, 실행가능 컴퓨터 코드(104)(예를 들어, 컴퓨터 애플리케이션 프로그램)을 로딩하고 실행하는 것을 포함하는 다양한 컴퓨팅 태스크들을 수행할 수 있다. 당업자에게 알려진 바와 같이, 내부 컴퓨팅 자원(102)은 예를 들어, 하나 이상의 프로세서, 메모리, 비휘발성 메모리, 저장 메모리, RAM 메모리, 실행가능 컴퓨터 코드를 저장하는 컴퓨터 판독가능 저장 매체 등을 포함할 수 있다. 실행가능 컴퓨터 코드(104)는 예를 들어, 컴퓨팅 디바이스(100)의 내부 컴퓨팅 자원(102)에 의해 부분적으로 또는 전체적으로 저장될 수 있으며, 다양한 저장 장치(예를 들어, 컴팩트 디스크)를 포함하는 하나 이상의 다른 장치상에 저장될 수 있고, 또는 서버 컴퓨팅 시스템(또는 서버) 및 다양한 저장 장치를 포함하는 다양한 엔티티들 사이에 분배될 수 있다. 일반적으로, 실행가능 컴퓨터 코드(104)는 컴퓨팅 디바이스(100)를 위해 제공되는 컴퓨터 판독가능 저장 매체 및/또는 다른 엔티티에 저장될 수 있다. 예를 들어, 컴퓨팅 디바이스(100)는 내부적으로 그리고 내부 컴퓨팅 자원(102)에 의해 실행을 위하여 실행가능 컴퓨터 코드(104)의 적어도 제1 부분(104A)을 저장하도록 동작할 수 있다.
더욱이, 컴퓨팅 디바이스(100)는 동적인 방식으로, 컴퓨팅 디바이스(100)에 의해 요구가 있을 때 그리고 필요한 경우 확장가능한 컴퓨팅 자원을 제공할 수 있는 동적으로 확장가능한 컴퓨팅 자원(DSCR)(106)에 의해 실행가능 컴퓨터 코드(104)의 실행을 효과적으로 가능하게 하도록 동작할 수 있다. 예를 들어, 컴퓨팅 디바이스(100)는 DSCR(106)의 하나 이상의 (외부의) 컴퓨팅 자원("외부 컴퓨팅 자원")(108)뿐만 아니라 내부 컴퓨팅 자원(102)을 이용하도록 동작할 수 있다. 즉, 컴퓨팅 디바이스(100)는 실행가능 컴퓨터 코드(104)의 다양한 부분들의 실행을 효과적으로 가능하게 하고, 개시하고, 재개하고, 그리고/또는 일으키기 위하여, 내부 컴퓨팅 자원(102) 및 외부 컴퓨팅 자원(108)을 둘 다 효과적으로 이용하도록 동작할 수 있다(예를 들어, 제1 부분(104A) 및 제2 부분(104B)은 각각 내부 컴퓨팅 자원(102) 및 외부 컴퓨팅 자원(106)을 이용하여 실행될 수 있다).
더 상세하게는, 컴퓨팅 디바이스(100)는 DSCR(106)의 외부 컴퓨팅 자원(108)을 이용하여(또는 실질적으로 이용하여), 내부 컴퓨팅 자원(102)을 실질적으로 확장하도록 동작가능한 신축적 컴퓨팅 시스템(ESC)(101)을 효과적으로 제공할 수 있다. DSCR(106)은 컴퓨팅 디바이스(100)를 위하여 실행가능 컴퓨터 코드(104)의 제2 부분(104B)을 실행하는 특정 기계(또는 디바이스)(M1)의 신분(identity)을 "알거나", 특정 컴퓨팅 자원(예를 들어, 기계 M1의 컴퓨팅 디바이스의 컴퓨팅 자원 R1)을 특별히 어드레싱할 필요 없도록, 추상적 계층을 효과적으로 제공할 수 있다. 예를 들어, DCSR(106)은 당업자에게 인식될 수 있는 바와 같이, ADSCR(106)로서 제공될 수 있다. 결과적으로, ESC(101)는 인터페이스(110)를 어드레싱함으로써 예를 들어, ADSCR(106)의 기계 1(M1) 및 기계 2(M2)를 포함하는 다양한 엔티티의 컴퓨팅 자원을 효과적으로 이용하도록 동작함으로써, 그들에 의해 효과적으로 제공되는 컴퓨팅 자원(108) 및/또는 서비스가 컴퓨팅 디바이스(100)로부터 효과적으로 추상화될 수 있다.
실행가능 컴퓨터 코드(104)의 런타임 동안에, ESC(101)는 DSCR(106)을 효과적으로 이용함으로써 실행가능 컴퓨터 코드(104)의 하나 이상의 부분을 실행하거나 실행을 계속할지 여부를 결정함으로써, 컴퓨팅 시스템(100)의 내부 컴퓨팅 자원(102) 및 DSCR(106)의 외부 컴퓨팅 자원(108) 사이에 실행가능 컴퓨터 코드(104)의 실행의 할당의 상대적 범위를 런타임동안 동적으로 결정할 수 있다. 실행의 할당의 상대적 범위에 대한 이 결정에 기반하여, ESC(101)는 실행가능 컴퓨터 코드(104)의 하나 이상의 부분의 실행을 위해 DSCR(106)의 하나 이상의 외부 자원(108)을 효과적으로 이용하도록 동작할 수도 있다. 즉, ESC(101)는 DSCR(106)의 하나 이상의 외부 자원(108)을 효과적으로 이용함으로써 실행가능 컴퓨터 코드(104)의 하나 이상의 부분들을 실행하는 것으로 결정하는 때, 실행가능 컴퓨터 코드(104)의 하나 이상의 부분을 실행하도록 할 수 있다.
실행가능 컴퓨터 코드(104)의 실행의 할당의 상대적 범위에 대한 결정은, 예를 들어, 실행가능 컴퓨터 코드(104)의 하나 이상의 부분이 실행을 위해 로딩될 때, 실행가능 컴퓨터 코드(104)의 하나 이상의 부분이 실행될 때, 실행가능 컴퓨터 코드(104)의 하나 이상의 부분이 하나 이상의 내부 컴퓨팅 자원(102)에 의해 실행중일 때, 실행가능 컴퓨터 코드(104)의 하나 이상의 부분이 외부 컴퓨팅 자원(108)에 의해 실행중일 때, 일어날 수 있다. 일반적으로, 이 결정은 실행가능 컴퓨터 코드(104)가 실행을 위해 로딩될 때 또는 실행될 때(예를 들어, 로딩이 완료된 후 실행 전), 또는 실행중인 때, 런타임 동안 이루어질 수 있다.
실행가능 컴퓨터 코드(104)의 실행의 할당의 상대적 범위에 대한 결정이, 사용자 입력을 요구하지 않고, ESC(101)에 의해 수행될 수 있음으로써, 하나 이상의 내부 컴퓨팅 자원(102)과 하나 이상의 외부 컴퓨팅 자원(108) 사이에 실행가능 컴퓨터 코드(104)의 실행의 할당의 상대적 범위를 자동적으로 결정할 수 있다. 그러나, ESC(101)는 소정의 사용자-정의된 선호도의 집합(예를 들어, 최소 파워 또는 배터리 이용, 내부 자원 이용 우선, 최대 성능, 최소 재정적 비용)으로서 제공될 수 있는 하나 이상의 선호도에 기반하여 이러한 결정이 이루어지도록 동작할 수 있다. ESC(101)는 또한 런타임에서 사용자에 의해 명백하게 제공되는 입력에 기반하여, 실행가능 컴퓨터 코드(104)의 실행의 할당의 상대적 범위에 대한 결정을 하도록 동작할 수도 있다. 예를 들어, ESC(101)는 사용자 입력을 요청하고 그리고/또는 DSCR(106)로 실행의 할당 전에 사용자 확인을 요청하도록 동작할 수 있다.
이러한 결정은 예를 들어, 하나 이상의 내부 컴퓨팅 자원(102)의 능력, 외부 컴퓨팅 자원(108)의 이용과 관련된 재정적 비용, 외부 자원(108)에 의해 서비스를 전달하는데 예상되는 또는 예상가능한 지연, DSCR(106)과 통신을 위한 네트워크 대역폭, 하나 이상의 물리적 자원의 상태(status), 컴퓨팅 시스템(100)의 배터리 능력, 하나 이상의 환경적 요소, 컴퓨팅 시스템(100)의 물리적 위치, 컴퓨팅 시스템(100)에서 실행중인 애플리케이션의 개수 및/또는 타입, 실행될 애플리케이션의 타입에 기초하여 이루어질 수 있다.
ESC(101)는 코드 개발자가 할당의 범위를 명백하게 정의할 것을 요구하지 않고, 내부 컴퓨팅 자원(102)과 외부 컴퓨팅 자원(108) 사이에서 실행가능 컴퓨터 코드(104)의 실행의 할당의 상대적 범위를 결정하도록 동작할 수 있다. 즉, ESC(101)는 내부 컴퓨팅 자원(102)과 외부 컴퓨팅 자원(108) 사이에 실행의 할당에 대하여 어떤 명령어를 실질적으로 제공하기 위한 실행가능 컴퓨터 코드(104)를 요구하지 않으면서, 외부 컴퓨팅 자원(108)의 실행 할당의 범위를 결정하고, 그에 따라 할당을 할 수 있다. 결과적으로, 컴퓨터 애플리케이션 개발자는 컴퓨팅 시스템 또는 디바이스의 내부 컴퓨팅 자원(102)과 외부 컴퓨팅 자원(108) 사이에 명백하게 할당을 정의하는 애플리케이션을 개발할 필요가 없다. 개발자는 내부 컴퓨팅 자원 및 외부 컴퓨팅 자원을 이용하여 실행을 위해 할당될 코드 부분(또는 코드 프래그먼트)를 명백하게 식별할 수 있다. 그러나, ESC(101)는 코드의 어떤 부분이 내부 컴퓨팅 자원 및 외부 컴퓨팅 자원에 의해 실행될 지를 결정할 수 있다.
ESC(101)는 실행가능 컴퓨터 코드(104)의 런타임 동안에, DSCR(106)의 하나 이상의 외부 컴퓨팅 자원(108)의 효과적 이용 범위를 효과적으로 증가시키거나 감소시키도록 동작함으로써, 런타임 동안 실행가능 컴퓨터 코드(104)의 부분들을 실행하기 위한 실행의 할당 범위를 변경하거나 조정하기 위한 동적 신축성(Elasticity)을 효과적으로 제공할 수 있다. 실행가능 컴퓨터 코드(104)의 하나 이상의 부분은 이전(relocate)되거나 복제될 수 있는 코드일 수 있다. 더욱이, ESC(101)는 실행가능 컴퓨터 코드(104)의 런타임 동안, 컴퓨팅 시스템(100)으로부터 DSCR(106)로 또는 그 반대로, 하나 이상의 이전가능한 그리고/또는 복제가능한 코드 부분(104)을 효과적으로 이전하도록 동작할 수 있다.
즉, 컴퓨팅 디바이스(100)는 다양한 할당 단계 사이에서, 런타임 동안, 실행가능 컴퓨터 코드(104)의 실행 할당의 범위를 변경하도록 동작할 수 있다. 이들 할당 단계는, (i)실행가능 컴퓨터 코드(104)가 내부 컴퓨팅 자원(102)만을 이용하여 전체적으로 실행될 때의 내부 할당 단계, (ⅱ)실행가능 컴퓨터 코드(104)가 내부 컴퓨팅 자원(102) 및 외부 컴퓨팅 자원(108)을 둘다 이용하여 동작될 때의 분할(split) 할당 단계, (ⅲ)실행가능 컴퓨터 코드(104)가 외부 컴퓨팅 자원(108)만을 이용하여 전체적으로 실행될 때의 외부 할당 단계를 포함한다. 예를 들어, 컴퓨팅 디바이스(100)는, 런타임 동안, 내부 컴퓨팅 자원(102) 및 DSCR(106)의 외부 컴퓨팅 자원(108) 사이에 "수직적(vertical)" 신축성을 제공하기 위하여, 실행가능 컴퓨터 코드(104)의 실행 할당의 범위를 변경하도록 동작할 수 있어서, 실행가능 컴퓨터 코드(104)는 내부 컴퓨팅 자원(102)만을 이용하여 실행될 수도 있고 내부 컴퓨팅 자원(102) 및 외부 컴퓨팅 자원(108) 사이의 "분할"이 될 수도 있어서, 적어도 제1 실행가능 부분(104A)은 내부 컴퓨팅 자원(102)을 이용하여 실행되고 적어도 제2 실행가능 부분(104B)은 외부 컴퓨팅 자원(108)을 이용하여 실행될 수 있다.
또한, ESC(101)는 DSCR(106)의 2개의 노드(예를 들어, 기계 M1 및 기계 M2)상에서 각각 실행가능한 코드의 적어도 2개의 부분을 실행하도록 동작할 수 있다. 예를 들어, ESC(101)는 실행가능 컴퓨터 코드(104)의 2개의 별개의 컴퓨팅 노드들상에서 실행가능 컴퓨터 코드(104)와 관련된 적어도 2개의 프로세스의 실행이 일어나도록 동작할 수 있다.
전술한 관점에서, ESC(101)는 컴퓨팅 디바이스(100)가 내부 컴퓨팅 자원(102)의 능력에 기반하여 효과적으로 정의된 그 내부의 컴퓨팅 능력을 넘어서 그 컴퓨팅 능력을 효과적으로 확장하도록 허용함이 명백할 것이다. 예를 들어, 컴퓨팅 디바이스(100)는 그 내부 컴퓨팅 자원(102)의 한계에 의해 제한되지 않지만, 내부 컴퓨팅 자원(102)에 대하여 상대적으로 그리고/또는 가상적으로 한계가 없을 수 있는 DSCR(106)의 외부 컴퓨팅 자원의 한계에 의해 제한될 수 있다. 결과적으로, 컴퓨팅 디바이스에는 매우 제한적이며, 축소되고 값싼 내부 자원이 제공될 수 있지만, 컴퓨팅 디바이스는 가상적으로 제한이 없는 동적으로 확장가능한 자원의 외부 자원(예를 들어, 단일 컴퓨팅 디바이스에 의해 바랄 수 있는 것보다 훨씬 큰 컴퓨팅 능력을 가상적으로 제공할 수 있는 "클라우드" 컴퓨팅 자원)에 의해서만 제한되는 컴퓨팅 능력을 효율적으로 제공하도록 동작할 수 있다.
ESC(101)는, 컴퓨팅 디바이스(100)상에서 실행가능 컴퓨터 코드(104)의 하나 이상의 부분을 실행하도록 동작할 수 있는 컴퓨팅 디바이스(100)의 어떤 운영 환경(예를 들어, 운영 체제, 영상)을 복사하지 않고, 하나 이상의 외부 자원(108)에 의해서, 실행가능 컴퓨터 코드(104)의 하나 이상의 부분의 실행이 일어나도록 동작할 수 있다.
ESC(101)는 내부 컴퓨팅 자원(102)에 의해서 제1 실행가능 컴퓨터 코드 부분(104A)의 실행 결과로서 제1 출력 데이터를 획득(예를 들어, 생성, 수신)하도록 동작할 수 있다. 또한, ESC(101)는 실행가능 컴퓨터 코드(104)의 제2 부분(104B)의 실행의 결과로서 제2 출력 데이터를 획득하도록 동작할 수 있다. 이는, 제1 부분(104A) 및 제2 부분(104B)의 실행에 각각 관련된 제1 출력 데이터 및 제2 출력 데이터가 둘다 실행가능 컴퓨터 코드(104)의 집합적 결과로서 이용가능하게 될 수 있음을 의미한다. 결과적으로, 컴퓨팅 디바이스(100)는 단지 내부 컴퓨팅 자원(102)만을 이용하여 실행이 수행된 것에서 제공될 수 있는 것과 유사한 방식으로 실행 출력(예를 들어, 컴퓨팅 서비스)을 제공할 수 있다. ESC(101)는 DSCR(106)의 하나 이상의 외부 컴퓨팅 자원(108)을 이용함으로써, 또는 DSCR(106)에 의해 실행을 가능하게 하고, 개시하고, 재개하고, 그리고/또는 일어나게 함으로써(즉, DSCR(106)이 그 컴퓨팅 자원(108)을 이용하여 실행가능 컴퓨터 코드(104)을 실행하도록 함으로써), 실행가능 컴퓨터 코드(104)의 하나 이상의 부분의 실행을 효과적으로 가능하게 하고, 개시하고, 재개하고, 그리고/또는 일어나게 하도록 동작할 수 있다. 외부 컴퓨팅 자원(108)(예를 들어, R1 및 R2)은 예를 들어, 실행가능 컴퓨터 코드(104)의 하나 이상의 실행에 필요한 프로세싱 파워 및 메모리를 둘 다 제공하거나, 메모리만 또는 실행에 필요한 프로세싱 파워만을 제공함으로써 실행을 지원할 수 있다.
일반적으로, ESC(101)는 DSCR(106)로부터 컴퓨팅 서비스를 효과적으로 요청하도록 동작할 수 있다. 동적으로 확장가능한 자원 제공자로서, DSCR(106)은 요구에 따라 실행 시간 동안 필요한 범위로, 컴퓨팅 자원을 제공하여, 적어도 실행가능 컴퓨터 코드(104)의 제1 부분(104A) 및 제2 부분(104B) 둘 다를 실행할 수 있다. DSCR(106)의 컴퓨팅 자원은 컴퓨팅 디바이스(100)의 내부 컴퓨팅 자원(102)을 훨씬 초과할 수 있음이 인식될 것이다. 예를 들어, 컴퓨팅 디바이스(100)는, 동적으로 그리고 요구에 따라, 컴퓨팅 디바이스(100)의 ESC(101)에 의해 요청되는 정도까지, 프로세싱 능력 및 메모리를 포함하는 확장가능한 컴퓨팅 자원을 제공할 수 있는 "클라우드" 컴퓨팅 자원(106)과 비교하여 상대적으로 제한적이고 축소된 컴퓨팅 자원(102)을 가진 컴퓨팅 디바이스일 수 있다.
"클라우드" 컴퓨팅 자원은 당업자에게 쉽게 알려질 수 있는 바와 같이, 인터넷을 통해서 컴퓨팅 서비스를 제공하고 통상적으로 가상화된 컴퓨팅 자원을 이용할 수 있는 동적으로 확장가능한 컴퓨팅 자원의 일 예이다. 일반적으로, 동적으로 확장가능한 컴퓨팅 자원을 이용하여, ESC(101)는 상대적으로 제한되고 축소된 내부 컴퓨팅 자원(102)을 훨씬 초과하는 컴퓨팅 능력을 가진 가상화 장치를 효과적으로 제공할 수 있다.
ESC(101)는 요구에 따라서 그리고 필요에 따라서 효과적으로 컴퓨팅 서비스를 제공할 수 있는 동적으로 적응가능한 장치를 제공하기 위하여 DSCR(106)의 동적 확장성(dynamic scalability)을 효과적으로 이용할 수 있다. 예를 들어, ESC(101)는 실행가능 컴퓨터 코드(104)의 실행 동안에, 런타임 동안, 내부 컴퓨팅 자원(102)과 외부 컴퓨팅 자원(108) 사이를 효과적으로 스위칭하도록 동작할 수 있다. 예를 들어, ESC(101)는 실행가능 컴퓨터 코드(104)의 제1 부분 및 제2 부분(104A 및 104B)의 실행을 개시하거나 실행한 후에, 가능하게는 실행가능 컴퓨터 코드(104)의 제1 부분(104A) 및/또는 제2 부분(104B)이 실행되는 동안에, DSCR(106)에 의해서 실행가능 컴퓨터 코드(104)의 제3 부분(104C)의 실행을 하도록 동작할 수 있다. 다른 예로서, ESC(101)는 DSCR(106)상에서 실행가능 컴퓨터 코드(104)의 제2 부분(104B)을 효과적으로 개시하거나 실행을 한 후에, 내부 컴퓨팅 자원(102)을 이용하여 실행가능 컴퓨터 코드(104)의 제2 부분(104B)의 실행을 실행하거나 재개하도록 동작할 수 있다. 또 다른 예로서, ESC(101)는 내부 컴퓨팅 자원(102)에서 제1 부분(104A)의 실행을 개시한 후 아직 실행중인 상태에서, DSCR(106)에 의하여 제1 부분(104A)을 효과적으로 가능하게 하거나, 실행하거나 실행을 재개하도록 동작할 수 있다.
일반적으로, ESC(101)는 DSCR(106)에 의해 제공되는 외부 컴퓨팅 자원(108)처럼, 외부 컴퓨팅 자원을 이용하여, 실행가능 컴퓨터 코드(104)의 적어도 일부를 실행할지 여부를 결정하도록 동작할 수 있다. 당업자는 이 결정이, 예를 들어, 내부 컴퓨팅 자원(102)의 능력, 외부 자원과 연관된 재정적 비용, 서비스 전송에 대한 예상되거나 예상가능한 지연, 네트워크 대역폭, 물리적 자원의 상태(예를 들어, 현재 배터리 능력), 환경적 요소(예를 들어, 위치) 중 하나 이상을 포함하는, 다양한 요소에 기반하여 결정될 수 있음을 인식할 것이다.
ESC(101)는 내부 및 외부 실행 활동을 조정하도록 동작할 수도 있다. 예를 들어, ESC(101)는 제1 실행가능한 코드 부분(104A)을 내부 컴퓨팅 자원(102)을 이용하여 실행하고, 제2 실행가능한 코드 부분(104B)을 DSCR(106)을 이용하여 실행하도록 효과적으로 조정함으로써, 내부 컴퓨터 자원 및 외부 컴퓨터 자원 둘 다를 이용하여 효과적으로 조정된 방식으로 실행가능 컴퓨터 코드를 실행하도록 동작할 수 있다. 조정 동작의 일부로서, ESC(101)는 집단적 결과로서 제1 및 제2 실행가능 코드 부분에 대하여 각각 제1 출력 및 제2 출력 데이터를 획득하도록 동작할 수 있으므로, ESC(101)상에서 실행가능 컴퓨터 프로그램 코드(104)의 실행의 집단적 결과로서 제1 및 제2 출력 데이터 모두를 이용가능하게 만들 수 있다. ESC(101)는, 전체 실행가능 코드(104)가 내부 컴퓨팅 자원(102)을 이용하여 실행된 것 처럼, 집단적 결과를 제공할 수 있다. ESC(101)는 외부 컴퓨팅 자원이 이용중이고, 컴퓨팅 서비스가 의미있는 방식으로 전달될 수 있음을 인식할 필요가 없다. 또한, ESC(101)는 매우 제한적이고 축소된 컴퓨팅 자원을 가질 수 있는 것들로부터 매우 광범위한 컴퓨팅 자원들에 이르는 다양한 디바이스에 대하여 동일한 실행가능 컴퓨터 코드(예를 들어, 컴퓨터 애플리케이션 프로그램)를 개발하고 실행하는 것을 허용함으로써, 소프트웨어 개발 프로세스 및 유지보수를 개선할 수 있다.
전술한 관점에서, 컴퓨팅 디바이스(100)는 예를 들어, 상대적으로 제한되고 축소된 컴퓨팅 자원이 내장된, CE 디바이스, 이동 장치, 핸드헬드 장치, 가정용 전자 제품(텔레비전, 냉장고)일 수 있다. 또한, ESC(101)는 제한되고 축소된 컴퓨팅 자원 및/또는 파워, 변화하는 통신 속도, 품질 및/또는 사용자에 대한 응답을 포함한 일반적인 특징을 가지는 CE 및/또는 이동 장치에 특히 적합하다.
도 1b는 본 발명의 일 실시예에 따른 컴퓨팅 디바이스의 능력을 확장(또는 내부 능력을 확장)하는 방법을 나타낸다. 방법(150)은, 예를 들어, 도 1a에 나타낸 컴퓨팅 디바이스(100)에 의해 수행될 수 있다.
도 1b를 참조하면, 실행가능 컴퓨터 코드를 실행할지 여부가 결정된다(152). 사실상, 방법(150)은 실행가능 컴퓨터 코드가 실행되는 것으로 결정될 때까지(152), 대기할 수 있다. 실행가능 컴퓨터 코드를 실행하는 것으로 결정되면(152), 방법(150)은 실행가능 컴퓨터 코드를 실행하기 위하여 외부 컴퓨팅 자원을 이용할지 여부 그리고/또는 내부 컴퓨팅 자원 및 외부 컴퓨팅 자원의 각각의 이용의 범위를 결정하도록 진행할 수 있다(154). 결과적으로, 실행가능 컴퓨터 코드의 적어도 일부의 실행은 컴퓨팅 디바이스(또는 특정 컴퓨팅 환경 또는 컴퓨팅 시스템)의 하나 이상의 내부 컴퓨팅 자원을 이용하여 개시될 수 있다(156B). 또한, 실행가능 컴퓨터 코드의 적어도 일부의 실행이 DSCR을 이용하여 개시되고, 실현되고, 그리고/또는 일어나게 될 수 있다(156B). 즉, DSCR의 하나 이상의 컴퓨팅 자원은 효과적으로 요청되어 하나 이상의 외부 자원으로서 컴퓨팅 디바이스에 제공될 수 있다. 당업자는, 일반적으로, 실행(156A 및 156B)이 실질적으로 병렬적으로 또는 가상으로 동시에 내부 및 외부 컴퓨팅 자원을 이용하여 개시(156A 및 156B)될 수 있음을 알 것이다. 또한, 실행가능 컴퓨터 코드의 다양한 부분의 실행은 실질적으로 내부 컴퓨팅 자원과 외부 컴퓨팅 자원 사이에서 효과적으로 스위칭할 수 있음이 인식될 것이다. 다시 도 1b를 참조하면, 외부 컴퓨팅 자원, 즉, DSCR로부터 하나 이상의 내부 컴퓨팅 자원으로 하나 이상의 실행가능 컴퓨터 코드의 부분을 실행하도록 스위칭할 지 여부가 선택적으로 결정될 수 있다(158). 그 결과, 실행가능 컴퓨터 코드의 일부의 실행은 외부 컴퓨팅 자원을 이용하여 개시될 수 있지만, 후에 내부 컴퓨팅 자원을 이용하여 이동되거나 재개될 수 있다. 유사하게, 하나 이상의 내부 컴퓨팅 자원으로부터 하나 이상의 외부 컴퓨팅 자원으로 실행가능 컴퓨터 코드의 하나 이상의 부분의 실행을 스위칭할지 여부가 선택적으로 결정되어(159), 그에 따라 컴퓨팅 자원의 이용이 변경될 수 있다.
내부 컴퓨팅 자원을 이용하는 실행을 끝내도록 결정되거나(160A), 외부 컴퓨팅 자원을 이용하는 실행을 끝내도록 결정되면(160B), 내부 컴퓨팅 자원 및 외부 컴퓨팅 자원 각각을 이용한 실행가능 컴퓨터 코드의 실행이 끝날 수 있다. 방법(150)은, 도 1b에 도시된 바와 같은, 실행 시간 동안 동적인 방법으로 이들 자원의 이용이 조정되도록 허용하면서, 내부 및 외부 컴퓨팅 자원을 이용하여 실행가능 컴퓨터 코드를 실행하는 것과 유사한 방식으로 진행할 수 있다.
도 1c는 본 발명의 다른 실시예에 따른 컴퓨팅 디바이스의 능력을 확장(또는 내부 능력을 확장)하는 방법(180)을 나타낸다. 방법(180)은, 예를 들어, 도 1a에 나타난 컴퓨팅 디바이스(100)에 의해 수행될 수 있다. 도 1c를 참조하면, 초기에, 실행가능 코드의 실행의 조정(182)이 개시된다. 일반적으로, 이 조정(182)은, 내부 및 외부 컴퓨팅 자원의 이용을 조정할 수 있다. 즉, 실행가능 컴퓨터 프로그램 코드를 실행하기 위한 내부 컴퓨팅 자원의 이용과 외부 컴퓨팅 자원의 이용 사이의 조정이 개시될 수 있다. 통상적으로, 조정(182)은, (a)내부 컴퓨팅 자원을 이용한 실행 또는 실행 관련 동작, 및 (b)외부 컴퓨팅 자원을 이용한 실행 또는 실행 관련 동작을 조정한다. 내부 컴퓨팅 자원은 컴퓨팅 디바이스에 의해 제공될 수 있고, 외부 컴퓨팅 자원은 동적으로 확장가능한 컴퓨팅 자원(DSCR)에 의해 제공될 수 있다.
다시 도 1c를 참조하면, 조정될 수 있는(182) 2개의 예시적 동작이 설명된다. 제1 동작은, 컴퓨팅 디바이스의 하나 이상의 컴퓨팅 자원을 이용하여 또는 하나 이상의 컴퓨팅 자원에 의하여 실행가능 컴퓨터 코드의 적어도 제1 부분의 실행을 개시하는 것을 나타낸다(184A). 제2 동작은, 실행가능 코드의 제2 부분의 실행을 위하여 적어도 하나의 DSCR의 외부 컴퓨팅 자원을 효과적으로 이용하는 것을 나타낸다(184B). 당업자는 이들 동작들(184A 및 184B)이 다양한 순서로 또는 병렬적으로 개시될 수 있음을 쉽게 인식할 것이다.
조정(182)의 일부로서, 조정(182)은 예시적인 동작들(184A 및 184B)의 각각의 개시하는 것을 결정하고, 그에 따라 동작들을 개시할 수 있다. 사실상, 조정(182)은, (a)내부 컴퓨팅 자원을 이용한 실행가능 컴퓨터 코드의 제1 부분의 실행을 (b)DSCR의 외부 컴퓨팅 자원을 이용한 실행가능 컴퓨터 코드의 제2 부분의 실행과 함께 효과적으로 조정하는 것을 계속할 수 있다.
조정(182)은, 예를 들어, 내부 컴퓨팅 자원을 이용하여 실행가능 컴퓨터 코드의 제1 부분의 실행에 대한 제1 출력을 생성하는 동작과, 하나 이상의 외부 컴퓨팅 자원을 이용하여 실행가능 컴퓨터 코드의 제2 부분의 실행의 결과로서 제2 실행 결과를 획득하는 동작을 포함할 수 있다. 다시 도 1c를 참조하면, 조정(182)의 부분으로서, 실행(184A 및 184B)의 결과가 이용한지 여부가 결정될 수 있다(188). 그에 따라, 코드의 제1 부분 및 제2 부분의 실행에 대한 집단적 결과가 조정(182)의 일부로서 생성될 수 있다(190). 집단적 결과는 컴퓨팅 디바이스에 의해 표현될 수 있고, 컴퓨팅 시스템에 의해 이용가능하게 만들어질 수 있다.
그러나, 실행의 결과가 이용가능하게 되지 않는 것으로 결정되면(188), 실행가능 컴퓨터 코드의 실행을 조정하거나 재조정할지 여부가 결정될 수 있다(192). 따라서, 실행가능 컴퓨터의 실행이 동적으로 조정되거나 재조정될 수 있다(194). 예를 들어, 제2 코드 부분의 실행은, 동일한 외부 컴퓨팅 자원을 이용하여 재개시될 수 있고, 다른 외부 컴퓨팅 자원을 이용하여 개시될 수 있고, 또는 내부 자원으로 전환될 수 있다. 또한, 에러 처리 및/또는 에러 복구 또한 수행될 수 있다.
조정(182) 또는 재조정(194)은, 예를 들어, 내부 또는 외부 컴퓨팅 자원을 이용하여 실행가능 컴퓨터 코드의 실행을 효과적으로 개시할 지 여부를 결정하고, DSCR의 집합으로부터 DSCR을 선택하고, 하나 이상의 외부 자원(예를 들어, 특정 타입의 자원, 다른 유사한 자원들 중에서 특정 자원)을 선택하는 것을 포함할 수 있다. 다른 예는, 실행가능 컴퓨터 코드(또는 그 일부)의 실행을 위한 요청을 전송하기 위한 위치를 결정하는 동작, 실행가능 컴퓨터 코드의 실행을 위한 요청을 결정된 위치로 전송하는 동작과, 실행 결과를 그 위치로부터 획득하는 동작을 포함할 수 있다.
도 1d는 본 발명의 일 실시예에 따른 실행가능 컴퓨터 코드의 실행을 위한 방법(195)을 나타낸다. 방법(195)은, 예를 들어, 도 1a에 나타낸 컴퓨팅 디바이스(100)에 의해 수행될 수 있다. 초기에, 동적으로 확장가능한 컴퓨팅 자원을 효과적으로 이용하여 실행가능 컴퓨터 코드의 하나 이상의 부분을 실행하거나 실행을 계속할지 여부가 결정된다(196). 이 결정(196)은, 예를 들어, 런타임에서 결정될 수 있으므로, 내부 컴퓨팅 자원과 외부 컴퓨팅 자원 사이의 실행가능 컴퓨터 코드의 실행의 상대적 범위의 할당을 동적으로 결정할 수 있다. 실행가능 컴퓨터 코드의 적어도 일부를 실행하지 않거나 실행을 계속하지 않는 것으로 결정되면(196), 실행가능 컴퓨터 코드의 실행을 종료(또는 개시하지 않음)할지 여부가 결정된다(197). 결과적으로, 방법(195)은, 내부 컴퓨팅 자원만을 이용하여 실행가능 컴퓨터 코드의 실행(199)으로 끝날 수 있다. 그 후에, 방법(195)은, 동적으로 확장가능한 컴퓨팅 자원을 효과적으로 이용함으로써 실행가능 컴퓨터 코드의 하나 이상의 부분을 실행할지 여부를 결정하는 단계(196)로 진행한다. 결과적으로, 실행의 할당이 외부 자원을 이용하도록 조정될 수 있다.
특히, 동적으로 확장가능한 컴퓨팅 자원을 효과적으로 이용하여 실행가능 컴퓨터 코드의 적어도 하나의 부분을 실행하거나 실행 계속하는 것으로 결정되면(196), 방법(195)은 그에 따라 내부 컴퓨팅 자원과 외부 컴퓨팅 자원 사이에서 실행을 할당하는 단계(198)로 진행한다. 실행가능 컴퓨터 코드의 실행이 그에 따라 할당된 후에, 방법(195)은, 동적으로 확장가능한 컴퓨팅 자원을 효과적으로 이용하여 실행가능 컴퓨터 코드의 하나 이상의 부분을 실행할지 여부를 결정하는 단계(196)로 진행한다. 사실상, 실행의 할당은 실행가능 컴퓨터 코드의 실행을 거의 외부 자원으로 할당하도록 조정될 수 있다. 방법(195)은, 실행가능 컴퓨터 코드의 실행을 종료하는 것으로 결정되는 경우(197) 또는 실행가능 컴퓨터 코드를 실행하지 않는 것으로 결정되는 경우(197) 종료한다.
상술한 바와 같이, 신축적 컴퓨팅 시스템(ESC)(예를 들어, 도 1a에 도시된 ESC(101))은, 컴퓨팅 디바이스의 내부(또는 물리적) 컴퓨팅 자원을 효과적으로 확장함으로써, 컴퓨팅 디바이스의 내부 컴퓨팅 능력을 확장할 수 있다. 결과적으로, 확장된 컴퓨팅 능력을 가진 가상 디바이스는, 상대적으로 제한되거나 축소된 능력을 가진 디바이스를 이용하여 효과적으로 구축될 수 있다. 컴퓨팅 디바이스의 내부 컴퓨팅 능력은 런타임에서 동적인 방식으로 확장될 수 있다.
더 상세하게 설명하기 위하여, 도 2는 본 발명의 일 실시예에 따른 컴퓨팅 환경(200)을 나타낸다. 컴퓨팅 환경(200)은, 예를 들어, 도 1a에 나타낸 컴퓨팅 디바이스(100)에 의해 또는 컴퓨팅 디바이스(100)를 위해 제공될 수 있다.
도 2를 참조하면, 신축적 레이어(컴포넌트 또는 모듈)(202)는, 하드웨어 레이어(204)를 위해 제공될 수 있다. 신축적 레이어(EL)(202)는, 예를 들어, 사용자 인터페이스(UI), 웹 탑(WT) 레이어, 또는 애플리케이션 레이어를 포함할 수 있는 선택적 탑 레이어(206)와 인터페이스할 수 있다. 도 2에 도시된 바와 같이, 선택적 운영 체제(OS) 레이어(208)는 또는, 신축적 레이어(EL)(202) 및 하드웨어 레이어(204) 사이에도 존재할 수 있다. 또한, 가상 환경(VE)(210)(예를 들어, 런타임 환경(RTE)(210))이 물리적 하드웨어 레이어(204) 및 그 능력을 효과적으로 확장하도록 신축적 레이어(EL)(202)에 의해 제공될 수 있다. 도 2를 참조하면, 신축적 레이어(EL)(202)는 요구에 따라 그리고 필요에 따라 VE(210)의 하나 이상의 인스턴스를 효과적으로 개시하거나 인스턴스화하도록 동작할 수 있다. 예를 들어, 개별 RTE 인스턴스(210A)는 실행가능 컴퓨터 코드의 특정 부분 또는 일부(예를 들어, 애플리케이션 컴포넌트, Applet, Weblet)의 실행을 위해 개시될 수 있다. 신축적 레이어(EL)(202)는 ADSCR(106)에 의해 가상 컴퓨팅 환경의 개시를 효과적으로 개시하거나 일으키도록 동작할 수 있다.
사실상, ADSCR(106)의 컴퓨팅 자원(108A)은, 물리적 컴퓨팅 자원(108A)이 하드웨어 레이어(204)에 존재하는 것처럼, RTE 인스턴스(210A)에 의해 제공될 수 있다. RTE(210)는 컴퓨팅 환경(200)으로 자원(108A)을 효과적으로 확장하는 것을 허용한다. RTE는, 예를 들어, ADSCR(106) 및/또는 컴퓨팅 환경(200)상에 가상 컴퓨팅 환경으로 제공될 수 있다. 신축적 레이어(EL)(202)는 필요에 따라 RTE 인스턴스(210)를 개시할 수 있고, 결과적으로 요구에 따라 그리고 런타임에서 동적인 방식으로(또는 실행가능 컴퓨터 코드의 실행 동안) ADSCR(106)의 컴퓨팅 자원이 제공될 수 있다. 그 결과, 신축적 레이어(EL)(202)는 하드웨어 레이어(204)의 실제 능력을 훨씬 넘어서 동적으로 그리고 요구에 따라 확장될 수 있는 컴퓨팅 능력을 제공할 수 있는 가상 컴퓨팅 디바이스를 효과적으로 제공할 수 있다.
상술한 바와 같이, "클라우드" 컴퓨팅 자원은 통상적으로 가상화된 컴퓨팅 자원을 이용하여 인터넷으로 컴퓨팅 서비스를 제공할 수 있는 동적으로 확장가능한 컴퓨팅 자원의 일 예이다. 본 발명은 "클라우드" 컴퓨팅 기술을 이용하여 웹 기반(또는 웹 중심) 애플리케이션에 특히 적합하다.
더 상세하게 설명하기 위하여, 도 3은 본 발명의 일 실시예에 따른 웹 기반 환경에서 컴퓨팅 디바이스(300)를 나타낸다. 도 3을 참조하면, 웹 기반 애플리케이션(302)은 당업계에 일반적으로 알려진 바와 같이, 매니페스트(manifest; 302m), 사용자 인터페이스(UI)(302u), 및 복수 개의 다른 애플리케이션 컴포넌트(302a 및 302b)를 포함할 수 있다. 웹 기반 애플리케이션의 컴포넌트와 같이, 컴포넌트(302a 및 302b)는, 예를 들어, 하이퍼텍스트 전송 프로토콜(HTTP) 요청에 대한 응답하는 동작, 클라이언트와 유사한 라이프 사이클 한계를 가지는 동작 및 국부적으로 또는 원격으로 실행하는 동작을 수행할 수 있다. 웹 기반 애플리케이션(예를 들어, 웹 기반 애플리케이션(302))의 컴포넌트들은 "웹릿들"(예를 들어, 웹릿(302a 및 302b))으로서 불린다. 매니페스트(302m)는, 웹 기반 애플리케이션(302)의 설명을 효과적으로 제공할 수 있다. 매니페스트(302m)는, 예를 들어, 웹릿의 개수, 웹릿의 포맷 등을 포함하는 정보를 제공할 수 있다. 웹릿(302a 및 302b) 각각은, 애플리케이션의 일부일 수 있고 데이터 상태와 데이터 상태를 변경할 수 있는 동작들을 효과적으로 캡슐화할 수 있다. 웹릿(302a)은, 예를 들어, 사용자 인터페이스로 HTTP 인터페이스를 효과적으로 노출하는 "바이트코드(bytecodes)"의 형태의, 실행가능 코드를 포함할 수 있다.
컴퓨팅 디바이스(300)는, 웹 기반 애플리케이션(302)의 사용자 인터페이스(UI)(302u)와 같이, 사용자 인터페이스(UI) 컴포넌트들을 렌더링하고 실행(또는 구동)하기 위한 환경을 효과적으로 제공하는 웹 탑 레이어(Web top layer; 300A)(또는 컴포넌트)를 효과적으로 제공할 수 있다. 예를 들어, UI 컴포넌트(302u)는 일반적으로 잘 알려진 브라우저일 수 있다.
도 3을 다시 참조하면, 컴퓨팅 디바이스(300)는, 또한 많은 컴포넌트(또는 서브-컴포넌트)를 제공할 수 있는 신축적 레이어(EL)(300B)를 포함한다. 특히, 애플리케이션 매니저(AM)(320)는, 컴퓨팅 디바이스(300)의 하나 이상의 내부 가상 머신(IVM)(310)으로서, 그리고/또는 "클라우드" 컴퓨팅 자원(또는 "클라우드")(312)에서 하나 이상의 외부 가상 머신(EVM)(310)으로서, 하나 이상의 가상 컴퓨팅 환경(VCEs)의 개시를 개시하거나 일으키도록 동작할 수 있다. IVM(308) 및 EVM(310)의 각각은, 웹 기반 애플리케이션(302)의 웹릿의 실행을 효과적으로 지원할 수 있다. 예를 들어, IVM(308)은, EVM(310)이 효과적으로 웹릿(302b)의 실행을 지원할 때 또는 지원하는 동안, 웹릿(302a)의 실행을 효과적으로 지원할 수 있다. 이들 VCE들은, 예를 들어, 자바 가상 머신(JVM), 공통 언어 런타임(CLR), 로우 레벨 가상 머신(LLVM) 및 완전한 운영 체제 환경을 제공하는 것들을 포함하는 다른것들로서 제공될 수 있음을 당업자는 쉽게 인식할 것이다. 애플리케이션 매니저(AM)(320)는 애플리케이션 및/또는 애플리케이션의 실행을 전체적으로 관리할 수 있다. 예를 들어, 애플리케이션 매니저(AM)(320)는, 개별 웹릿을 관리하도록 동작가능한 신축성 매니저(EM)(322)에 의해 효과적으로 제공되는 하위 계층과 통신하는 상위 계층으로서 효과적으로 서비스할 수 있다.
또한, 신축적 레이어(EL)(300B)의 애플리케이션 매니저(AM)(320)는, IVM(308)으로서 내부적으로 VCE를 개시할지 여부를 결정하거나, "클라우드"(312)상에서 EVM(310)으로서 외부적으로 VCE의 개시를 일으키게 할지 여부를 결정하도록 동작할 수 있다. 즉, 애플리케이션 매니저(AM)(320)는, 컴퓨팅 디바이스(300)의 내부 컴퓨팅 자원 또는 동적으로 확장가능하고 요구에 따라 제공될 수 있는 "클라우드"(312)의 외부 컴퓨팅 자원을 이용하여, 특정 웹릿(예를 들어, 웹릿(302a), 웹릿(302b))을 실행할지 여부를 결정하도록 동작할 수 있다. 애플리케이션 매니저(AM)(320)는, 신축성 매니저(EM)(322)에 의해 제공되는 정보에 기초하여 이 결정을 하도록 동작할 수 있다. 일반적으로, 신축성 매니저(EM)(322)는, 컴퓨팅 디바이스(300)의 컴퓨팅 환경을 포함하는, 컴퓨팅 디바이스(300)의 컴퓨팅 환경을 감시하고, 감시한 데이터를 애플리케이션 매니저(AM)(320)에 제공하도록 동작할 수 있다. 신축성 매니저(EM)(322)는, 예를 들어, 센서(324)에 의해 제공되는 데이터에 기반하여 컴퓨팅 디바이스(300)의 환경(예를 들어, 컴퓨팅 환경)을 감시할 수 있다. 센서에 의해 제공되거나 다른 자원들로부터 획득된 데이터에 기반하여, "클라우드"(312)의 외부 자원을 거의 이용할지 여부가 결정될 수 있다. 예를 들어, 애플리케이션 매니저(AM)(320)는, "클라우드"(312)로 웹릿(302a)의 실행을 이동하기 위하여 그리고/또는 "클라우드"(312)의 EVM상에 웹 기반 애플리케이션(302)(도시되지 않음)의 제3 웹릿을 부가적으로 실행하기 위하여, "클라우드"(312)상에 더 많은 EVM들을 효과적으로 개시할 수 있다.
스위처 컴포넌트(326)는, 실행이 컴퓨팅 디바이스(300)의 내부 컴퓨팅 자원에 의하여 전체적으로 지원되는지 또는 실행이 "클라우드"(312)의 외부 컴퓨팅 자원에 의해 적어도 부분적으로 지원되는지 여부에 무관하게, 사용자 인터페이스(UI)(302u)로 웹릿(또는 웹릿의 실행)(302a 및 302b)을 효과적으로 연결할 수 있다.
"클라우드"(312)는, 컴퓨팅 디바이스(300)를 포함하는, "클라우드"(312)의 다양한 클라이언트들에 제공되는 서비스들을 효과적으로 관리하는 클라우드 관리 서비스(CMS)(312M)를 가질 수 있다. 더 상세하게는, 신축성 매니저(EM)(322)는, 컴퓨팅 디바이스(300)를 위하여 "클라우드"(312)에 의해 제공되는 하나 이상의 EVM(310)을 관리하거나 공동관리하기 위하여, CMS(312M)과 효과적으로 인터페이스할 수 있다. 즉, 신축성 매니저(EM)(322)는, 또한 "클라우드"(312)로의 인터페이스로서 동작하고 컴퓨팅 디바이스(300)에 관련된 "클라우드"(312)의 컴퓨팅 환경을 관리 그리고/또는 공동관리하도록 동작할 수 있다.
또한, "클라우드"(312)는, 다른 컴포넌트들을 포함할 수 있다. 도 3에 도시된 바와 같이, "클라우드"(312)는, 웹 기반 애플리케이션(302)의 사용자 인터페이스(UI)(302u)를 효과적으로 렌더링하고 실행하도록 동작하는 웹 탑 환경(312W)을 제공할 수 있다. 또한, 신축성 매니저(EM)(322)는, 애플리케이션 매니저(AM)(320)가 "클라우드"(312)에 의해 사용자 인터페이스(UI)(302u)의 실행을 개시하는 것을 효과적으로 요청할 수 있다. 그 결과, 사용자 인터페이스(UI)(302u)는, "클라우드"(312)의 웹 탑 환경(312W)에서, 효과적으로 렌더링되고 실행될 수 있다. 이 경우에, 원격 사용자 인터페이스(RUI)(330)는, "클라우드"(312)에 의해 렌더링되고 실행되는 사용자 인터페이스(UI)(302u)와 통신하도록 동작할 수 있다. 원격 사용자 인터페이스(RUI)(330)는, 예를 들어, "클라우드"(312)로 사용자 입력 데이터를 전달하고, 출력으로서 화면 갱신과 같이, 상대적으로 단순한 명령을 수신할 수 있다. 예를 들어, UI 로직이 "클라우드"(312)에 의해서 필수적으로 수행되는 동안에, 원격 사용자 인터페이스(RUI)(330)는, "씬 클라이언트(thin client)" 또는 "경량(lightweight)" 사용자 인터페이스로서 제공될 수 있다.
컴퓨팅 디바이스(300)는 부가적인 컴포넌트를 포함할 수 있다. 도 3을 참조하면, 애플리케이션 로더(328)는 종래 애플리케이션 로더가 동작하는 것과 유사한 방식으로 웹 기반 애플리케이션(302)의 다양한 컴포넌트를 로드하도록 동작할 수 있다.
또한, 웹 기반 애플리케이션(302)의 하나 이상이 실행중일 때, 컴퓨팅 디바이스(300)는 런타임에서 "클라우드"(312)에 의해 제공되는 외부 컴퓨팅 자원(또는 서비스)의 이용을 동적으로 조정하도록 동작할 수 있다. 예를 들어, 컴퓨팅 디바이스(300)는 동적으로 조정가능한(또는 신축적인) 디바이스로서 동작할 수 있다. 컴퓨팅 디바이스(300)의 동적 적응성(또는 신축성)을 더 설명하기 위하여, 도 4a, 4b, 4c 및 4d는 본 발명의 여러 실시예에 따라 동적으로 조정가능한(또는 신축적인) 컴퓨팅 디바이스(300)의 다양한 구성을 나타낸다.
도 4a를 참조하면, 컴퓨팅 디바이스(300)(도 3에서도 도시됨)은 2개의 웹릿(302a 및 302b)을 초기에 실행하고, 그 자신의 내부 컴퓨팅 자원을 이용하여 UI(302u)을 실행하고 렌더링할 수 있다. 그러나, 내부 컴퓨팅 자원들이 다른 태스크들을 위해 필요한 경우, 또는 다른 요소들이 내부 컴퓨팅 자원의 보존을 지시하는 경우, 컴퓨팅 디바이스(300)는 도 4b에 도시된 바와 같이, "클라우드"(312)의 서비스 또는 외부 컴퓨팅 자원을 이용할 수 있다. 내부 컴퓨팅 자원의 보존을 지시할 수 있는 요소는, 예를 들어, 컴퓨팅 디바이스(300)의 위치, 배터리 전원, 외부 컴퓨팅 서비스를 얻는 것과 관련된 재정적 비용, 외부 컴퓨팅 서비스를 획득하기 위해 이용가능한 네트워크 대역폭 등을 포함할 수 있다. 도 4b를 참조하면, 웹릿(302a)의 실행은, 컴퓨팅 디바이스(300) 대신에 "클라우드"(312)에 의해 지원될 수 있는 반면, 웹릿(302b) 및 UI(302u)는 여전히 컴퓨팅 디바이스(300)의 내부 컴퓨팅 자원을 이용하여 실행된다. 웹릿(302a)의 실행은, 예를 들어, "클라우드"(312)로부터 그 실행을 요청하는 것에 의해 또는 "클라우드"(312)상에 그 실행을 효과적으로 개시하는 것에 의해, "클라우드"(312)로 효과적으로 이동될 수 있다. 동적 신축적 디바이스로서, 컴퓨팅 디바이스(300)는 실행 동안 또는 런타임 동안 "클라우드"(312)의 컴퓨팅 자원을 더 이용할 수 있다. 도 4c에 도시된 바와 같이, 웹릿(302a 및 302b)은 둘 다 "클라우드"(312)에 의해 실행될 수 있는 반면에, UI(302u)만은 컴퓨팅 디바이스(300)의 내부 컴퓨팅 자원을 이용하여 실행된다. 후속하여, UI(302u)의 실행은, 도 4d에 나타난 바와 같이, "클라우드"(312)로 실질적으로 이동될 수 있다. "클라우드"(312)로 UI(302u)의 실행을 효과적으로 이동시키기 위하여, 예를 들어, UI(312u)의 실행이 "클라우드"(312)로부터 요청될 수 있거나 "클라우드"(312)상에서 효과적으로 개시될 수 있다.
당업자는 클라우드 컴퓨팅(CC)이 무엇보다도 IaaS(Infrastructure-as-a-service), PaaS(platform-as-a-service) 및 SaaS(software-as-a-service)을 전달할 수 있음을 인식할 것이다. 그 결과, 새로운 IT 비지니스 모델을 가능하게 하는 서비스 제공자들 및 개별 소비자들을 위한 컴퓨팅 모델은, 예를 들어, "요구에 따라 즉시 제공되는 자원(resource-on-demand)", 현금지불(pay-as-you-go) 및 유틸리티 컴퓨팅(utility computing)이다. CE 디바이스의 경우에, 애플리케이션들은, 예를 들어, 낮은 CPU 주파수, 더 작은 메모리, 낮은 네트워크 대역폭 및 배터리 전원 컴퓨팅 환경과 같은 제한되고 그리고/또는 축소된 자원들에 의해 전통적으로 제약된다. 클라우드 컴퓨팅은, CE 디바이스에 강제된 전통적 제약을 효과적으로 제거하도록 이용될 수 있다. CE 디바이스를 포함한, 다양한 "신축적" 디바이스들은 클라우드 기반 기능으로 증가될 수 있다.
도 5는 본 발명의 일 실시예에 따른, 컴퓨팅/통신 환경(500)에서 신축성 서비스(504)를 통해서 클라우드 자원을 효과적으로 소비하도록 동작할 수 있는 신축적 이동 장치(또는 이동 단말)(502)를 나타낸다. 컴퓨팅/통신 환경(500)에서, 신축적 애플리케이션은 독립적으로 기능할 수 있지만 서로 통신할 수 있는 하나 이상의 웹릿을 포함할 수 있다. 신축적 애플리케이션이 시작될 때, 이동 장치(502)상의 신축적 매니저(도시되지 않음)는, 애플리케이션의 웹릿의 자원 요구를 감시하고, 어디에서 웹릿이 시작되거나 시작되어야 하는지에 대하여 결정할 수 있다. 예를 들어, 영상 및 비디오 프로세싱과 같은 계산 및/또는 통신면에서 광범위한 웹릿은, 보통 이동 장치의 프로세서들에 무리를 준다. 예를 들어, 신축적 매니저는 클라우드에서 하나 이상의 플랫폼들에 대해 계산 및/또는 통신면에서 광범위한 웹릿을 시작하는 것을 결정할 수 있다. 반면에, 이동 장치(502)의 로컬 데이터로의 광범위한 액세스를 요구하는 사용자 인터페이스(UI) 컴포넌트는 이동 장치(502)상에 신축적 매니저에 의해 시작될 수 있다. 웹릿이 클라우드에서 시작될 때, 신축적 매니저는 클라우드에 존재하는 신축적 서비스(504)와 통신하도록 동작할 수 있다. 신축적 서비스(504)는, 무엇보다도, 클라우드에서 하나 이상의 웹릿의 실행에 관해 결정하도록 동작할 수 있다. 예를 들어, 신축성 서비스(504)는 어떤 클라우드 노드에서 웹릿이 시작할 수 있거나 시작해야 하는지와, 얼마나 많은 스토리지가 클라우드에서 웹릿의 실행을 위해 할당될 수 있는지 또는 할당되어야 하는지를 결정할 수 있다. 또한, 신축성 서비스는 웹릿을 성공적으로 론칭한 후에 이동 장치(502)로 정보를 되돌리도록(예를 들어, 엔드포인트 URL을 되돌리도록) 동작할 수 있다. 어떤 상황에서, 많은 계산적 태스크를 가지더라도, 디바이스상의 실행이 선호되거나 가능할 수 있다. 예를 들어, 이동 장치(502)가 신축성 서비스(504)와 통신할 수 없을 때(예를 들어, 이동 장치(502)가 오프라인일 때), 실행될 미디어 아이템들이 크기나 개수면에서 작거나, 신속한 응답은 요구사항이 아닐 때이다. 일반적으로, 이동 장치(502) 및 신축성 서비스(504)는, 다양한 태스크들이 어디에서 어떻게 실행될 수 있을지 또는 실행되어야 하는지를 결정하기 위하여 "같이 일할 수 있다". 신축성 서비스(504)는 클라우드 자원들을 체계화하거나 이동 장치(502)를 포함하는 다수의 이동 장치의 다양한 애플리케이션 요구사항을 위임하도록 동작할 수 있다. 서비스 제공자로서, 신축성 서비스(504)는 클라우드 제공자의 일부가 될 수 있고 일부가 되지 않을 수 있다.
또한, 신축적 매니저는, 예를 들어, 장치(502)의 컴퓨팅 환경에서의 변화 또는 사용자 선호도에서의 변화를 포함하는, 다양한 기준에 근거하여, 디바이스(502)와 클라우드 사이에서 런타임 동안(예를 들어, 웹릿이 실행중일 때) 웹릿을 이동하는 것에 관하여 결정하도록 동작할 수 있다. 애플리케이션의 웹릿은, 예를 들어, 애플리케이션 상태를 동기화하고 입력 데이터 및 출력 데이터를 교환하도록 다양한 정보를 교환하기 위하여, 실행 동안, 서로 통신하도록 동작할 수 있다. 동일한 애플리케이션의 웹릿들 사이의 통신은, 예를 들어, RPC(Remote Procedure Call) 메커니즘에 의해서 또는 "RESTful" 웹 서비스를 이용하여 달성될 수 있다. 신축성 서비스(504)는 클라우드 자원을 체계화하고 이동 장치(502)를 포함하는 다양한 이동 장치로부터 애플리케이션 요구사항을 위임할 수 있다. 서비스 제공자로서, 신축성 서비스(504)는 클라우드 제공자의 일부가 될 수 있고 일부가 되지 않을 수 있다.
이동 장치(502)는, 예를 들어, 도 4에 나타낸 컴퓨팅 디바이스(300)의 일 예를 나타낼 수 있고, 신축적 서비스(504)는, 예를 들어, 도 4에 나타난 클라우드 관리 서비스(312)를 나타낼 수 있다.
컴퓨팅/통신 환경은, 무엇보다도, 전통적으로 제약된 자원이었던 이동 장치들에 대한 클라우드 컴퓨팅에 더 나은 영향을 끼칠 수 있는 애플리케이션(신축적 애플리케이션)의 개별을 허용한다. 신축적 애플리케이션의 일반 개념 및 이점은 2009년 7월 2일에 출원되고, 제목이 "SECURING ELASTIC APPLICATIONS ON MOBILE DEVICES FOR CLOUD COMPUTING,"인(대리인 문서 번호 SISAO093P) US 임시 출원 번호 61/222,855에 개시되어 있다. 이 임시 출원은 모든 목적에 대하여 여기에 참조로서 포함되고, 무엇보다도, 신축적 프레임워크 아키텍처, 및 신축적 애플리케이션 모델, 신축적 애플리케이션 및 신축적 컴퓨팅/통신 환경에 대한 보안 모델을 제공한다.
전술한 관점에서, 전술한 기술은, 무엇보다도, 애플리케이션 프로그램을 서브-컴포넌트들(예를 들어, 신축적 장치와 클라우드 컴퓨팅 자원 사이의 웹릿 분할)로 분할하는 것을 허용한다. 이 방법은, 자원(예를 들어, 기업 IT(Information Technology) 인프라스트럭쳐로 제공되는 IT 자원)을 제공하는 것에 주로 초점을 만추는 것을 포함하는 종래의 방법들과, 서비스 제공자(예를 들어, 서버)로부터 초기에 그리고 정적으로 계산이 요청될 수 있어서, 비록 계산의 전부는 아니더라도 대부분이 서비스 제공자에 의해서 수행되는 종래의 클라이언트/서버 모델과는 매우 다르다. 극명한 차이점으로, 본 발명은 계산이 애플리케이션 컴포넌트들(예를 들어, 개별 웹릿)에 기반하여 수행되도록 계산을 허용하고, 각 애플리케이션 컴포넌트가 다른 주체에 의하여 그리고 다른 위치에서 수행되는 것을 허용한다. 예를 들어, 본 발명은 클라이언트와 서버 사이를 구별할 필요가 없는 애플리케이션 모델을 허용하지만, 하나의 애플리케이션의 개별 컴포넌트들을 구별할 수 있다. 또한, 본 발명은, 주로 자원 또는 서비스 제공자의 관점에서 자원을 제공하는데 초첨을 맞추었던 종래의 방법에 의해 해결하지 못했던 기술 및 해법에 기반한 디바이스 또는 클라이언트를 제공한다. 다시, 본 발명의 기술들은 제한된 그리고/또는 축소된 컴퓨팅 자원으로 인하여 제한된 컴퓨팅 능력에 의해 전통적으로 제약된 이동 장치에 특별히 그리고 매우 적합하다. 종래의 기술은 동적인 방식으로 이동 장치가 애플리케이션의 실행을 효과적으로 나누도록 하는 실제적인 가능한 방법을 제공하지 않음으로써, 소정의 시간에 더 적절한 것으로 여겨지는 방법으로 런타임 동안, 애플리케이션의 실행이 분할되도록 허용하고, 나중에 동일한 애플리케이션의 런타임 동안에는 다르게 분할되도록 허용한다.
실행 할당 비용 평가
전술한 관점에서, 신축적 컴퓨팅 환경(ECE)에서, 다양한 실행가능 코드 컴포넌트 또는 모듈(예를 들어, 컴퓨터 애플리케이션 프로그램)은 CE 디바이스와 하나 이상의 컴퓨팅 자원 제공자(예를 들어, 하나 이상의 플랫폼 및/또는 서비스를 제공하는 클라우드) 사이에 효과적으로 분할될 수 있다. 예를 들어, 컴퓨터 애플리케이션 프로그램(또는 애플리케이션)의 일부 또는 컴포넌트는 장치상에서 실행(또는 구동)될 수 있는 반면에 다른 부분 또는 컴포넌트들은 클라우드에서 실행될 수 있다. 이는 디바이스의 컴퓨팅 능력을 효과적으로 확장할 수 있고, 그 자원 제약을 극복할 수 있다. 또한, 동일한 애플리케이션이 자원 제약과 무관하게 다양한 디바이스상에서 이용될 수 있으므로 애플리케이션 라이프 사이클이 확장될 수 있다.
신축적 애플리케이션 모델을 가능하게 하는 원시적 동작은, 예를 들어, 애플리케이션이 로딩될 때 오프로딩(offloading)하고, 런타임 동안 동적으로 이동하고, 실행을 위한 새로운 컴포넌트(또는 컴포넌트 인스턴스)을 생성하고, 액티브 컴포넌트를 소멸시키고, 및/또는 런타임 동안 액티브 컴포넌트들 사이의 로드 밸런스의 변경/조정하는 데이터 및 코드를 포함한다.
효과적인 신축적 애플리케이션 모델을 가능하게 하는 일반적인 문제 또는 도전은, 컴퓨팅 시스템과 하나 이상의 컴퓨팅 자원 제공자 사이에 애플리케이션을 실행하기 위한 이점의 식별과 효과적인 전략/구성이다. 예를 들어, 하나의 특정한 문제는 특히 이동 장치의 배터리 파워에 대한 절전이다. 예를 들어, 디바이스로부터 클라우드로 컴퓨팅 컴포넌트를 오프로딩할 때, 컴퓨팅 컴포넌트를 오프로딩하고, 그 실행에 필요한 데이터를 제공하는 것과 관련된 파워 사용 비용이 이동 장치에 대한 더욱 효과적인 신축적 애플리케이션 모델을 달성하도록 고려될 수 있다. 또한, 입력을 제공하고 출력을 수신하는 등을 동작을 위한 디바이스와 클라우드 사이에 통신과 관련된 파워 사용 비용이 고려될 수 있다.
이 문제는, (아래에 나타난) 간략화된 표현의 RHS(Right Hand Side)가 최소화되고 또는 모든 웹릿이 로컬에서 동작할 때의 파워 비용보다는 최소한 적도록, 원격으로 동작하는 웹릿(Weblet_r)과 로컬에서 동작하는 웹릿의 세트(Weblet_l)의 최적의 세트를 찾는 것으로서 표현될 수 있다. 즉:
Figure pat00001
여기에서:
- P(all_Weblets): 모든 웹릿이 로컬에서 구동될 때의 파워 비용
- P(Weblets_l): Weblet_l만이 로컬에서 구동될 때의 파워 비용
- P(comm(Weblet_l, Webelt_r): Weblet_l과 Webelt_r 사이의 통신을 위한 파워 비용
- P(데이터 오프로딩): 애플리케이션의 라이프사이클을 동작할 때의 데이터 오프로딩을 위한 파워 비용
파워 소모의 예시적인 문제는, 예를 들어, 각 인스턴스 실행과 관련된 입력 및/또는 출력 데이터가 동일한 애플리케이션에 대해서 다양할 수 있으므로 상황에 따라서 동일한 애플리케이션을 가지고도 상이한 해법이 요구될 수 있으며, 데이터 오프로딩이 매우 동적이고 애플리케이션에 특정적인 점을 포함한, 다양한 이유에 대한 동적 해법을 요구할 수 있다. 또한, 그러한 결정은, 파워 모델 또는 파워 소모와 관련된 요소들이 정적이지 않는 경우 훨씬 더 복잡할 수 있다. 또한, 매우 복잡한/동적인 파워 모델이 이용되는 경우에는 특히, 그러한 결정을 하는 것 자체가 통상적으로 파워를 소모한다.
예를 들어, 성능(예를 들어, 지연, 처리량), 재정적 비용(예를 들어, 비지니스 모델에 기반하여 부과되는 클라우드에 대한 컴퓨팅 비용 및 데이터 트래픽과 관련된 재정적 비용), 및 보안(예를 들어, 개인용 애플리케이션 및/또는 데이터를 클라우드에서 실행할지 여부)를 포함하는, 다른 수많은 실행 할당 비용(또는 "비용") 목적들에 대한 동일한 고려가 이루어질 수 있다.
실행-할당 비용 평가 요소(또는 비용 서비스 제공자)는, 다양한 컴퓨팅 시스템(예를 들어, 컴퓨팅 디바이스, 이동 전화)와 컴퓨팅 자원 제공자(예를 들어, 클라우드) 사이에 또는 다양한 컴퓨팅 시스템과 클라우드 자원 제공자상에, 컴퓨터 실행가능 컴포넌트의 할당과 관련된 비용에 관한 결정을 하도록 동작할 수 있다. 일반적으로, 비용 서비스 제공자는, 비용 모델에 기반한 실행가능 컴포넌트의 할당과 관련된 비용을 효과적으로 축소하거나 최소화하도록 동작할 수 있다. 비용 서비스 제공자는, 실행가능 컴포넌트의 런타임 동안, 실행가능 컴포넌트의 할당 비용에 관한 결정을 하도록 동작할 수 있다. 또한, 서비스 제공자는 사용자에게 더 특징적이고 바람직할 수 있는 방식으로, "실"시간으로, 효과적으로 결정하고 실행 할당에 영향을 미칠 수 있다.
비용 서비스 제공자는 상술한 신축적 디바이스를 지원하는 신축적 컴퓨팅 환경에 특히 적합하게 제공될 수 있다. 더 상세한 내용은, 2009년 9월 14일에 출원된, 제목이 "EXTENDING THE CAPABILITY OF COMPUTING DEVICES BY USING DYNAMICALLY SCALABLE EXTERNAL RESOURCES." (대리인 문서 번호 SISAP072)인 미국 특허 출원 번호 12/559,394에 기재되어 있다.
더 상세하게 설명하기 위하여, 도 6은 본 발명의 일 실시예에 따른 신축적 컴퓨팅 환경(600)을 나타낸다. 도 6을 참조하면, 실행-할당 비용 서비스 컴포넌트(602)는, 컴퓨팅 시스템(604) 및 하나 이상의 컴퓨팅 자원 제공자(606)(예를 들어, 하나 이상의 클라우드)로 또는 컴퓨팅 시스템(604)과 하나 이상의 컴퓨팅 자원 제공자(606) 사이에, 실행가능 컴퓨터 코드(또는 실행가능 코드)의 실행을 할당하는 것과 관련된 상대적 비용을 결정하도록 동작할 수 있다. 실행-할당 비용 서비스 컴포넌트(602)는, 컴퓨팅 시스템(604) 및/또는 하나 이상의 컴퓨팅 자원 제공자(606)로 효과적으로 실행-할당 비용 서비스를 제공하기 위하여, 컴퓨팅 시스템(예를 들어, 컴퓨팅 디바이스, 서버)으로서 또는 그 일부로서 제공될 수 있고, 컴퓨팅 자원 제공자와 협력하여 그 일부로서 동작할 수 있고, 또는 다양한 컴퓨팅 또는 컴퓨팅 관련 태스크를 수행하기 위하여 컴퓨팅 자원 제공자(606)의 자원을 이용하거나 이용하지 않을 수 있는 독립적 컴퓨팅 시스템으로서 또는 그 일부로서 제공될 수 있다.
도 6을 참조하면, 비용 모델링 에이전트(610)는 신축적 디바이스(604A)에서 동작할 수 있다. 비용 모델링 에이전트(610)는, 신축적 디바이스(604A)와 컴퓨팅 자원 제공자(606) 사이에 실행을 위한 애플리케이션(612)의 할당에 관한 결정을 하기 위하여, 실행-할당 비용 서비스 컴포넌트(또는 비용 서비스 제공자)(602)에 의해 획득되고 효과적으로 이용될 수 있는 실행 할당 데이터를 효과적으로 수집하도록 동작하는 데이터(또는 미가공 데이터(raw data)) 수집 서브컴포넌트(또는 모듈)(610a)을 포함할 수 있다. 도 6에 도시된 바와 같이, 비용 모델링 에이전트(610)는, 컴퓨팅 자원 제공자(606)에 의해 처리를 위해 더 효과적일 수 있는 형태로 제공하기 위하여 데이터를 전처리(예를 들어, 일반적으로 알려진 바와 같이 정규화된 형태로 미가공 데이터를 변환)하도록 동작할 수 있는 전처리 서브컴포넌트(610b)를 포함하는 부가적인 서브컴포넌트를 선택적으로 포함할 수 있다. 다른 예시적인 서브컴포넌트(들)(610c)는 실행 할당 데이터와 실행 할당 데이터에 기반한 실행의 할당에 관한 다양한 기능을 제공할 수 있다. 예를 들어, 특징 추출(610c) 서브컴포넌트는 실행 할당에 관한 더 나은 결정을 허용하기 위하여, 수집된 데이터의 패턴들의 특징을 결정하도록 동작할 수 있다. 다시 도 6을 참조하면, 감지 컴포넌트(614)는 디바이스(604A)의 다양한 센서(도시되지 않음)로부터 데이터를 측정하고 그리고/또는 수집하도록 동작할 수 있다. 감지 컴포넌트(614)에 의해 측정되고 그리고/또는 수집되는 데이터는 신축성 매니저(616)에 의해 실행 할당 데이터로서 할당 비용 서비스 컴포넌트(602)로 제공될 수 있다.
일반적으로, 비용 모델링 에이전트(610)는, 신축적 디바이스(604A)와 다양한 애플리케이션 환경(예를 들어, 애플리케이션(612)의 애플리케이션 환경)과 관련된 데이터를 측정하고 수집하도록 동작할 수 있다. 예를 들어, 비용 모델링 에이전트(610)는, 디바이스 구성 데이터(예를 들어, CPU에 관한 데이터, 메모리, 네트워크, 대역폭, 파워 소모), 디바이스 센서 정보(예를 들어, 배터리 상태, 위치, 신호 강도, 온도, 속도), 애플리케이션 런타임 정보(예를 들어, 입력/출력 데이터, 통신 데이터, 로컬 실행 시간)을 측정하고 수집하도록 동작할 수 있다.
선택적으로, 비용 모델링 에이전트(610)는, 데이터(또는 미가공 데이터)를 전처리하도록 동작할 수 있다. 예를 들어, 다양한 형태로 수집된 데이터는, 특징 추출 동작이 수행되고 학습/모델링 프로세스가 적용되기 전에, 수치적인 값으로 변환될 수 있다. 또한, 상이한 자원과 관련된 수치적 값의 스케일 및 범위를 다르게 하는 것으로 인하여, 특징 추출 및 학습/모델링 프로세스에 대하여 다양한 범위의 값에 정규화가 적용될 수 있다. 가능한 경우, 데이터 특징 또는 패턴이 추출될 수 있다.
실행-할당 비용 서비스 컴포넌트(또는 비용 서비스 제공자)(602)는 데이터 수집 서브컴포넌트(또는 모듈)(602a), 학습 및 모델링 서브컴포넌트(602b)(예를 들어, 학습 및 모델링 엔진), 및 결정 서브컴포넌트(602c)를 포함할 수 있다. 데이터 수집 서브컴포넌트(602a)는, 컴퓨팅 자원 제공자(606)에 관한 데이터를 측정하고 그리고/또는 수집하도록 동작할 수 있다(예를 들어, 클라우드 센서 데이터는, 네트워크 상태, 공유 자원의 상태, 외부 데이터의 상태를 포함할 수 있다). 또한, 데이터 수집 서브컴포넌트(602a)는, 신축적 디바이스(604A)의 비용 모델 에이전트(610)를 포함하는 다양한 비용 모델 에이전트로부터, 데이터 및 특히, 실행 할당 데이터를 수집하도록 동작할 수 있다. 학습 및 모델링 서브컴포넌트(602b)는 데이터 수집 서브컴포넌트(602a)에 의하여 수집된 데이터에 기반하여 애플리케이션 행동을 효과적으로 학습하고 모델링하도록 동작할 수 있다. 예를 들어, 다양한 알고리즘은, 서포트 벡터 머신(Support Vector Machine)과 같은 지도 학습 알고리즘과, K-평균(또는 벡터 양자화)와 같은 자율 학습 알고리즘을 포함하는 단순한 규칙 기반 알고리즘으로부터 개발될 수 있다. 또한, 학습 및 모델링 서브컴포넌트(602b)는 수집되고 그리고/또는 측정된 데이터 및 하나 이상의 비용 모델에 기반하여 다양한 알고리즘을 구동하도록 동작할 수 있다. 일반적으로, 결정 서브컴포넌트(602c)는, 신축적 디바이스(604A)와 컴퓨팅 자원 제공자(606) 사이에 실행의 할당에 관한 결정하도록 동작할 수 있다. 결정 서브컴포넌트(604A)는, 또한 신축적 디바이스의 다양한 신축성(또는 신축적) 매니저(예를 들어, 신축적 디바이스(604A)상의 신축성 매니저)로 행동 요청을 생성하도록 동작할 수 있다. 또한, 결정 서브컴포넌트(602c)는, 예를 들어, 컴퓨팅 자원 제공자(606)(예를 들어, 클라우드 플랫폼(606))로 컴포넌트를 오프로딩하는 것을 포함하는 실행의 할당에 영향을 미치는 다양한 다른 동작들을 수행하고, 신축적 디바이스(604A) 및/또는 컴퓨팅 자원 제공자(606)에서 또는 신축적 디바이스(604A) 및/또는 컴퓨팅 자원 제공자(606)로부터 컴포넌트들을 생성하거나 제거하고, 실행가능 컴포넌트들 사이에 태스크 파견 및/또는 할당을 수행하고, 신축적 디바이스(604A)를 포함하는 특정 신축적 디바이스로 비용 서비스 제공자 컴포넌트(602)에 의해 제공되는 서비스 품질을 업그레드하거나 다운그레이드하도록 동작할 수 있다.
신축성 매니저(616)는 요청 또는 명령에 따라, 결정 서브컴포넌트(602c)로부터 직접 또는 비용 서비스 제공자(602)를 통해서, 결정(또는 할당 결정)을 수신하고, 그 결정을 신축적 디바이스(604A)에서 효과적으로 시행할 수 있다.
결정 서브컴포넌트(602c)는 다수의 다른 컴퓨팅 디바이스에 관한 실행-할당 데이터에 기반하여, 실행-할당의 현 범위(current extent)를 결정하도록 동작할 수 있다. 예를 들어, 결정 서브컴포넌트(602c)는 획득하고 유지할 수 있는 총 할당 데이터(aggregate allocation data)에 기반하여 실행 할당의 현 범위를 예측하도록 동작할 수 있다. 예를 들어, 학습 모델은, 디바이스에서 수집되고 유지될 수 있는 데이터(또는 이력 데이터), 특정 애플리케이션, 다수의 통상적인 다수의 다른 디바이스 및/또는 애플리케이션에 기반하여, 특정 디바이스 및/또는 특정 애플리케이션에 대한 실행 할당에 대하여, 특정 디바이스 또는 애플리케이션과 유사한 방식으로 행동할 가능성이 높은 예측을 결정하는데 이용될 수 있다.
도 7a는 본 발명의 다른 실시예에 따른 신축적 컴퓨팅 환경(700)을 나타낸다. 도 7a를 참조하면, 컴퓨팅 시스템(700)은, 이동 장치(702A), 네트워크(711)를 통해 연결된 개인용 컴퓨터(PC)(예를 들어, 데스크탑 또는 랩탑 PC)(702B), 및 컴퓨팅 시스템(702C)을 포함하는, 다양한 다른 컴퓨팅 시스템(702)에 대하여, 실행-할당 비용 모델 서버(또는 비용 모델 서비스)(700a)를 효과적으로 제공할 수 있다. 일반적으로, 실행 할당 비용 모델 서버(700a)는, 컴퓨팅 시스템(702)과 다양한 컴퓨팅 자원 제공자(704)(예를 들어, 클라우드(704a 및 704b)) 사이에서 실행가능 컴퓨터 코드(또는 실행가능 코드)(706)의 실행 할당의 상대적 범위를 결정하도록 동작할 수 있다.
예를 들어, 실행-할당 비용 모델 서버(또는 비용 모델 서비스)(700a)는, 이동 장치(702A)와 컴퓨팅 자원 제공자(704) 사이에서 컴퓨터 실행가능 컴퓨터 코드(706A 및/또는 706B)의 실행 할당의 범위를 결정하고, 이동 장치(702A) 및 컴퓨팅 자원 제공자(704)로 또는 이동 장치(702A) 및 컴퓨팅 자원 제공자(704) 사이에서, 실행을 위한 컴퓨터 실행가능 컴퓨터 코드(706A 및/또는 706B)의 할당의 범위를 결정할 수 있다. 예를 들어, 실행-할당 비용 모델 서버는, 예를 들어, 실행가능 코드(706A)의 제1 부분(706a1)이 이동 장치(702A)의 내부 컴퓨팅 자원을 이용하여 실행되고, 실행가능 코드(706A)의 제2 부분(706a2)이 컴퓨팅 자원 제공자(704A)의 컴퓨팅 자원을 이용하여 실행되고, 실행가능 코드(706A)의 제2 부분(706a2)이 컴퓨팅 자원 제공자(704B)의 컴퓨팅 자원을 이용하여 실행되도록, 실행의 할당을 할당하거나 할당을 일으키도록 결정할 수 있다. 실행-할당 비용 모델 서버(700a)는, 일반적으로 실행할당 코드(706)의 런타임에서(예를 들어, 실행가능 코드(706)가 실행을 위해 로딩되거나 실행중인 때) 실행의 할당의 범위를 결정하도록 동작할 수 있다. 예를 들어, 실행-할당 비용 모델 서버(700a)는, 실행가능 코드(706)의 하나 이상의 부분이 이동 장치(706A) 및/또는 컴퓨팅 자원 제공자(704A)에 의해 실행중일 때 실행의 할당 범위를 결정할 수 있다.
일반적으로, 실행-할당 비용 모델 서버(700a)는, 컴퓨팅 시스템(706)과 다양한 컴퓨팅 자원 제공자(704)로 또는 컴퓨팅 시스템(706)과 다양한 컴퓨팅 자원 제공자(704) 사이에, 실행 할당의 현재 범위를, 실행가능 코드(706)의 런타임 동안, 결정하도록 동작할 수 있다. 그 결과, 특정 실행가능 코드(예를 들어, 706A)의 런타임 동안에 소정의 시간에서, 실행-할당 비용 모델 서버(700a)는 할당의 현재 상대적 범위를 결정할 수 있고, 특정 컴퓨팅 디바이스(예를 들어, 이동 장치(702A))와 하나 이상의 컴퓨팅 자원 제공자(704)로 또는 특정 컴퓨팅 디바이스(예를 들어, 이동 장치(702A))와 하나 이상의 컴퓨팅 자원 제공자(704) 사이에, 실행 할당의 현재 범위에 따라서, 실행가능 코드의 특정 부분(예를 들어, 실행가능 코드 부분 706A)의 할당을 하거나 일으킬 수 있다. 실행-할당 비용 모델 서버(700a)는, 실행가능 코드의 특정 부분(예를 들어, 실행가능 코드 부분(706a1))이 예를 들어, 특정 컴퓨팅 디바이스(예를 들어, 이동 장치(702A)로부터 특정 컴퓨팅 자원 제공자로 또는 그 반대로 효과적으로 재배치되거나 이동될 수 있도록, 또는, 하나의 컴퓨팅 자원 제공자(704)로부터 다른 컴퓨팅 자원(704)으로 재배치되거나 이동될 수 있도록, 실행가능 코드(706A)의 런타임 동안에, 동적으로 실행 할당의 현 범위를 효과적으로 변경하고, 감시하고, 그리고/또는 갱신하도록 동작할 수 있다.
실행-할당 비용 모델 서버(700a)는, 적어도 하나의 컴퓨팅 시스템(702)과 하나 이상의 컴퓨팅 자원 제공자(704)로 또는 컴퓨팅 시스템(702)과 다양한 컴퓨팅 자원 제공자(704) 사이에, 실행가능 컴퓨터 코드(또는 실행-할당 데이터)(706)의 실행 할당에 관한 데이터(710)에 기반하여, 할당의 현재 범위(또는 실행 할당의 현재 범위)를 결정하도록 동작할 수 있다. 일반적으로, 실행-할당 데이터(710)는 컴퓨팅 시스템(702) 및/또는 컴퓨팅 자원 제공자(704)와 관련하여 하나 이상의 기준에 기반할 수 있다. 실행-할당 비용 모델 서버(700a)는, 입력으로서 실행 할당 데이터(710)를 획득하고, 실행-할당 데이터(710)에 기반하여 실행 할당의 현재 범위를 결정하고, 그에 따라 실행의 할당을 하거나 일으키는 출력 데이터(예를 들어, 컴퓨팅 시스템 또는 컴퓨팅 자원 제공자로 암시(indication) 또는 명령/요청으로서 출력 데이터) 로서 실행 할당의 현 범위를 제공할 수 있다.
실행-할당 비용 모델 서버(700a)는, 또한, 다양한 실행가능 코드(706)와 다양한 컴퓨팅 시스템(702)의 실행과 관련된 일반적인 또는 특정 실행 비용에 관한 총 비용 데이터(700C)를 획득하도록 동작할 수 있다. 예를 들어, 어떤 컴퓨팅 시스템(706)상의 특정 실행가능 코드(예를 들어, 706a) 또는 그 컴포넌트들 중 하나의 일반 실행 비용, 또는 특정 컴퓨팅 시스템(예를 들어, 702a) 또는 컴퓨팅 자원 제공자(예를 들어, 704a)상의 실행가능 코드의 특정 부분(예를 들어, 706a1)의 특정 실행 비용은 총 비용 데이터(700c)로서 획득되고 저장될 수 있다. 다른 예로서, 특정 컴퓨팅 시스템(예를 들어, 702a)에 의해 실행되는 어떤 실행가능 코드의 실행 비용은 이력 데이터로서 기록(log)될 수 있다.
이력 데이터는 실행가능 코드의 특정 부분(예를 들어, 706a1)의 실행에 대한 예측(또는 추정)을 하는데 이용될 수 있다. 예를 들어, 컴퓨팅 시스템(702A 및 702B)의 실행 비용에 대한 이력 데이터는 컴퓨팅(702C)에 의해 실행 비용에 대해 예측을 하는데 이용될 수 있다. 장치의 유사도, 클라우드 자원 제공자, 사용자 선호도, 네트워크 및 네트워크 연결들은 실행 비용을 예측하는데 이용될 수 있는 몇 가지 예이다.
일반적으로, 총 비용 데이터(700c)는 특정 컴퓨팅 시스템(예를 들어, 702a) 또는 컴퓨팅 자원 제공자(예를 들어, 704a)상에서 특정 부분 실행가능 코드(예를 들어, 706a1)의 실행을 할당하는 비용을 예측(또는 추정)하기 위하여 비용 할당 예측기(700d)에 의해 효과적으로 이용될 수 있다. 비용 모델 서버(700a)는, 실행 할당에 관한 결정을 하기 위한 비용 모델을 이용하는 대신에 총 비용 데이터(700c)에 기반한 예측을 효과적으로 이용하도록 동작할 수 있다.
도 7b는 본 발명의 일 실시예에 따라서, 제1 컴퓨팅 디바이스와 하나 이상의 컴퓨팅 자원 제공자로 또는 제1 컴퓨팅 디바이스와 하나 이상의 컴퓨팅 자원 제공자 사이에 실행가능 컴퓨터 코드의 실행의 할당의 상대적 범위를 결정하는 방법(750)을 나타낸다. 도 7b를 참조하면, 제1 컴퓨팅 디바이스와 하나 이상의 컴퓨팅 자원 제공자 사이에 실행가능 컴퓨터 코드의 실행의 할당에 관한 실행 할당 데이터가 획득된다(752). 다음으로, 실행가능 코드의 런타임 동안에, 실행-할당 데이터에 기반하여 적어도 부분적으로, 적어도 제1 컴퓨팅 디바이스와 하나 이상의 컴퓨팅 자원 제공자로 또는 적어도 제1 컴퓨팅 디바이스와 하나 이상의 컴퓨팅 자원 제공자 사이에, 실행가능 컴퓨터 코드의 실행의 할당의 상대적 범위가 결정된다(754). 실행의 할당의 상대적 범위는, 런타임 동안, 실행-할당의 현 범위로서 결정될 수 있다. 실행-할당 데이터는 또한 현재 실행-할당 데이터로서 런타임 동안 획득될 수 있다(752). 그 후에 실행-할당 데이터에 의해 결정된 것과 같이, 실행-할당의 현 범위를 기반으로 실행의 할당에 영향을 미칠지 여부가 결정된다(756). 따라서, 실행가능 컴퓨터 코드의 실행의 할당이 영향을 받게 될 수 있다(758). 더 상세하게는, 실행-할당의 현 범위에 따라서, 적어도 제1 컴퓨팅 디바이스와 하나 이상의 컴퓨팅 자원 제공자로 또는 적어도 제1 컴퓨팅 디바이스와 하나 이상의 컴퓨팅 자원 제공자 사이에, 실행이 할당되거나 할당이 일어나게 될 수 있다. 실행의 할당에 영향을 미칠지 여부에 대한 결정(756)은, 설계 또는 프로그래밍 옵션을 나타낼 수 있고, 그리고/또는, 예를 들어, 사용자 입력, 선호도 및/또는 프로파일, 실행가능 컴퓨터 코드 등을 기반으로 결정될 수 있다. 일반적으로, 현재 실행 할당 데이터는, 실행가능 컴퓨터 코드의 실행의 할당에 영향을 미치기 위하여, 출력으로 생성될 수 있고, 제1 컴퓨팅 디바이스 및/또는 컴퓨팅 자원 제공자로, 예를 들어, 암시, 요청 또는 명령으로서, 제공될 수 있다.
도 8은 본 발명의 일 실시예에 따른 클라우드(804)상의 비용 모델 서비스(802)를 나타낸다. 도 8을 참조하면, 비용 모델 서비스(802)는 클라우드(804)상으로 제공되고 상이한 센서 데이터(또는 센서 정보)를 구별하도록 동작할 수 있다. 예를 들어, 비용 모델 서비스(802)는, 클라우드(804)(그리고 가능하게는 네트워크 인프라스트럭처 데이터)로부터 획득된 센서 데이터와 개별 신축적 디바이스(806)로부터 획득된 센서 데이터를 구별하도록 동작할 수 있다. 그러한 구별을 위한 능력은, 실제 상업적 배치에서의 경우와 같이, 특히 다수의 신축적 디바이스(806) 및/또는 클라우드가 지원되는 환경에서, 비용 모델 서비스(802)에 의해 이용되는 비용 모델의 정확도 및 성능을 개선할 수 있다.
비용 모델 서비스(802)는 또한 상이한 사용자 선호도를 구별하고, 개별 사용자 및/또는 신축적 디바이스(806)에 대하여 각각 주문화된 비용 모델을 만들도록 동작할 수 있다. 즉, 비용 모델 서비스(802)는 개인화된 또는 주문화된 비용 서비스를 제공할 수 있다. 또한, 비용 모델 서비스(802)는 유사한 특성(예를 들어, 유사한 사용자 비용 선호도, 유사한 장치 성능 및/또는 구성)을 가지고 사용자의 집합 및/또는 디바이스에 적합한 비용 모델을 개발하거나 만들도록 동작할 수 있다.
더 설명하기 위하여, 다음은 본 발명과 관련하여 이용될 수 있는 예시적인 파워 비용 모델을 제공한다. 파워 비용 모델의 한 가지 목적은, 신축적 디바이스(ED)에 대한 파워 소모가 최소한이 되도록, 애플리케이션의 로드-타임 및/또는 런-타임 동안 클라우드 플랫폼으로부터/플랫폼으로 상이한 컴포넌트들을 온로드/오프로드하는 것이다. 이 예시적인 모델은 클라우드 플랫폼에 대한 실행 파워 소비를 고려하지 않는다.
목적 애플리케이션의 각 상태에서, 그 파워 그래프는 지향된 그래프 G=(V, E)이다. 여기에서,
- V는 액티브 컴포넌트의 세트이다.
- E는 데이터 의존성이다.
- (v1, v2)∈E는 v2가 v1으로부터 입력을 가짐을 의미한다.
- v0은 어떤 다른 웹 서비스/외부 데이터 자원을 위한 것이다.
액티브 컴포넌트들은 튜플(tuple) v=(s, location, ep)로서 특정된다. 여기에서,
- s는 상태이다: 액티브/인액티브
- location: 디바이스/클라우드
- ep: 실행 파워 비용, 및
-
Figure pat00002
데이터 의존성은 G에서 지시되고 평가된 에지(edge)이다.
- e(v1,v2): 데이터 크기
- tp(v1,v2): 운반 파워 비용, 및
-
Figure pat00003
여기에서, cpr은, 예를 들어, 신호 강도, 네트워크 인터페이스, 네트워크 트래픽 상황 등에 의존하는, ED와 클라우드 사이의 파워 소모 비율의 비용이다.
그래프 변화는 G(V,E)를 G'(V,E)로 변경하는 액션의 집합이다. 여기에서,
-컴포넌트를 생성/삭제: v.상태'=액티브/인액티브
-컴포넌트 온로드/오프로드: v.location'= 디바이스/클라우드
-v.location'에 기반하여 새로운 값으로 e(v1,v2)를 갱신
-v.location이 변경되면 ep(v)를 갱신
-v1.location 또는 v2.location이 변경되면 tp(v1,v2)를 갱신
기본적 규칙:
-
Figure pat00004
이면,
Figure pat00005
이다.
- v1이 어떤 v2에 대해 변하면, tp(v1,v2)도 갱신
-
Figure pat00006
이면,
Figure pat00007
는 로컬 실행 파워 비용이다.
- 가능하게
Figure pat00008
이다.
도 9는 본 발명과 관련하여 이용될 수 있는 예시적인 파워 그래프 변화를 나타낸다. 도 9를 참조하면, 파워 비용 목적 함수는,
Figure pat00009
이 되도록, 그래프 변환 결과 G=(V,E)를 알기 위한 것이다.
일단 이 파워 모델이 클라우드측 비용 서비스에 전개되면, 다음의 파라미터들을 감시/측정할 필요가 있는 것을 결정한다.
- 예를 들어, 그 명령 타입의 정적인 분석 및 명령 당 파워 소모 비용을 통해 정적일 수 있거나, 또는 ED상에 전개된 일부 센서들에 의해 동적으로 감시될 수 있는, ED상의 애플리케이션의 각 컴포넌트에 대한 실행 파워 비용
- ED상의 신호 강도, 네트워크 상황, 가능한 네트워크 인터페이스를 감시함으로써 결정되는, MB 데이터 운반당 운반 파워 비용,
- 클라우드와 ED 둘 다에 대한 컴포넌트들 사이의 데이터 통신의 크기
비용 서비스는 어떤 파라미터들이 클라우드측 및 ED측에 의해 감시되고/측정되는지는 결정한다. 예를 들어, 데이터 통신 및 네트워크 상황이 클라우드측에서 측정될 수 있는 한편, ED의 실행 파워 비용이 ED측에서 측정되어야 한다.
비용 서비스가 필요한 데이터를 획득할 때, 이 애플리케이션을 위한 파워 그래프를 생성하고, 그래프 변화상의 가능한 결정을 하여 총 파워 비용 최소값을 만든 다음, ED상에 EM을 명령하여 가능한 액션들을 집행한다.
비용 서비스를 만드는 결정을 하기 위한 가능한 방법:
- 어떤 파라미터가 ED 및 클라우드측에 변화한다.
- 많은 유사한 디바이스 및 애플리케이션으로부터 데이터를 수집함으로써 베이시안 네트워크와 같은 복잡한 기계 학습 방법을 통해 발견될 수 있는, 일부 파라미터의 상당한 변화
- 통계적 학습 및/또는 기계 학습에 기반한 예측
기계 학습 및 신축적 시스템
상술한 바와 같이, 기계 학습은 내부 및 외부 컴퓨팅 자원으로 실행가능 콘텐트를 할당하는 비용에 관한 결정을 하기 위하여 비용 서비스에 의해 이용될 수 있다. 일반적으로, 기계 학습은 내부 컴퓨팅 자원 및 외부 컴퓨팅 자원 사이에 실행가능 컴퓨터 코드의 부분(또는 일부)을 할당하는 방법을 결정하는데 이용될 수 있다. 당해 기술 분야에 일반적으로 알려진 바와 같이, 기계 학습은 컴퓨팅 시스템이 데이터(또는 기계 학습 데이터)에 기반하여 그 행동을 변경하도록 허용할 수 있다. 기계 학습 데이터는, 예를 들어, 컴퓨팅 시스템의 센서 또는 사용자로부터 수신될 수 있고, 데이터베이스로부터 검색될 수 있고, 또는 시스템 데이터로서 수신될 수 있다. 기계 학습은 복잡할 수 있는 재편성 패턴에 대한 "자동적" 학습을 허용하여, 지능적 결정이 자동적으로 이루어질 수 있다. 더 상세하게는, 컴퓨팅 시스템은 그 내부의 컴퓨팅 자원 및 적어도 하나의 동적으로 확장가능한 컴퓨팅 자원(DSCR)(106)을 포함하는 하나 이상의 외부 컴퓨팅 자원 사이에 실행가능 컴퓨터 코드의 다양한 부분의 할당에 대한 결정을 위하여 기계 학습을 이용하도록 동작할 수 있다.
더 설명하기 위하여, 도 10a는 본 발명의 일 실시예에 따른 신축적 컴퓨팅 디바이스(또는 시스템)(810)를 나타낸다. 도 10a를 참조하면, 신축적 컴퓨팅 디바이스(810)는, 내부 컴퓨팅 자원(102)과 DSCR(106)에 의해 효과적으로 제공되는 외부 컴퓨팅 자원(108) 사이에 실행가능 컴퓨터 코드(104)의 다양한 부분의 할당에 관한 결정을 위하여 기계 학습을 이용할 수 있다. 도 10a에 의하여 제안되는 바와 같이, 외부 컴퓨팅 자원(108)은 또한 하나 이상의 다른 컴퓨팅 자원(하나 이상의 컴퓨팅 자원(107)으로 도시됨)을 포함할 수 있다. 어떤 경우에, 신축적 컴퓨팅 디바이스(810)는, 실행가능 컴퓨터 코드(104)의 개별적으로 실행가능 컴퓨터 코드 부분(예를 들어, 104A, 104B, 104C)의 각각 하나를 그 내부 컴퓨팅 자원(102)으로 할당할지 또는 적어도 하나의 DSCR(106)을 포함하는 하나 이상의 외부 컴퓨팅 자원 제공자에 의해서 제공되는 하나 이상의 외부 컴퓨팅 자원으로 할당할지 여부를 결정하도록 동작할 수 있다.
더 상세하게는, 실행 할당 시스템에 기반한 기계 학습(MLEAS)(812)이 신축적 컴퓨팅 디바이스(810)의 일부로서 제공될 수 있다. MLEAS(812)는 신축적 컴퓨팅 환경(811)에서 실행가능 코드(104)의 다양한 부분의 할당에 관하여 결정하기 위하여, 신축적 컴퓨팅 디바이스(810)가 기계 학습을 이용하도록 허용하는, 컴퓨터 실행가능 코드(또는 소프트웨어) 및/또는 하드웨어 컴포넌트를 이용하여 제공될 수 있다. 상술한 바와 같이, 기계 학습은 컴퓨팅 시스템이 데이터(또는 기계 학습 데이터)에 기반하여 그 행동을 변경하도록 허용할 수 있다. 도 10a를 참조하면, MLEAS(812)는 기계 학습 데이터를 이용할 수 있다. 기계 학습 데이터(814)는, 예를 들어, 로그 데이터, 센서 또는 시스템 데이터, 및 사용자 선호 데이터를 포함하는 선호 데이터를 포함할 수 있다. 예를 들어, MLEAS(812)는 로그, 이력, 센서, 시스템, 선호도 및 다른 요소에 기반하여, 실행가능 코드(104)의 다양한 개별적으로 실행가능한 부분의 할당에 관한 결정을 자동적으로 허용하기 위한 실행 할당 행동을 "자동적으로" 학습하도록 동작할 수 있다.
상세하게는, MLEAS(812)는, 기계 학습에 기반하여, 내부 컴퓨팅 자원(102)과 DSCR(106)을 포함하는 외부 자원(108) 사이에 실행을 위한 실행가능 컴퓨터 코드(104)의 실행가능 부분을 개별적으로 할당하는 방법을 결정하도록 동작할 수 있다. 예를 들어, MLEAS(812)는, 기계 학습을 이용하여, 개별적으로 실행가능 컴퓨터 코드 부분(104A)은 DSCR(106)로 실행을 위해 할당되도록 하고, 개별적으로 실행가능 컴퓨터 코드 부분(104B)은 내부 컴퓨팅 자원(102)으로 실행을 위해 할당되도록 하는 것을 결정할 수 있다. 또한, MLEAS(812)는, 신축적 컴퓨팅 환경(811)에서 실행을 위한 실행가능 컴퓨터 코드(104)의 개별 부분을 할당하기 위하여 또는 자동적으로 할당하기 위하여 기계 학습을 이용하도록 동작할 수 있다. 예를 들어, MLEAS(812)는, 기계 학습에 기반하여 그리고 부가적인 입력(예를 들어, 사용자 입력)을 요구하지 않으면서, 내부 컴퓨팅 자원(102)으로 또는 외부 컴퓨팅 자원(108)으로, 실행가능 컴퓨터 코드의 개별적으로 실행가능한 부분의 각각 하나를 자동적으로 할당하도록 동작할 수 있다.
MLEAS(812)는, 상술한 바와 같은 신축적 컴퓨팅 시스템(ECS)(184)(예를 들어, 도 1a에 나타난 ESC(101))의 일부로서 제공될 수 있다. 그 결과, 신축적 컴퓨팅 디바이스(810)는, 신축적 컴퓨팅 시스템으로 컴퓨팅 디바이스(예를 들어, 컴퓨팅 디바이스(100))에 대하여 상술한 기능을 수행할 수 있다. 예를 들어, MLEAS(812)는, 예를 들어, 실행가능 컴퓨터 코드(104)의 하나 이상의 복수의 실행가능 부분이, 실행을 위해 로딩되거나, 신축적 컴퓨팅 디바이스에 의해 실행을 위해 로딩되거나, 내부 컴퓨팅 자원(102) 및/또는 외부 컴퓨팅 자원(108)에 의해 신축적 컴퓨팅 환경(811)에서 실행중인 때, 실행가능 컴퓨터 코드(104)의 런타임 동안, 기계 학습에 기반하여, 신축적 컴퓨팅 환경(811)에서 실행을 위해 실행가능 컴퓨터 코드(102)의 다양한 부분을 할당하는 방법을 결정하도록 동작할 수 있다.
비용 모델링 에이전트(도시되지 않음)(예를 들어, 비용 모델링 에이전트(610))는 실행가능 콘텐트의 할당에 대하여 적어도 초기에 결정하기 위하여 비용 모델을 이용하도록 신축적 컴퓨팅 디바이스(810)에서 동작할 수 있다. 특히, 데이터는 비용 모델을 이용하여 수집될 수 있고 기계 학습을 위하여 MLEAS(812)으로 입력으로서 제공할 수 있다.
도 10b는 본 발명의 일 실시예에 따른 신축적 컴퓨팅 환경에서 실행가능 콘텐트를 할당하는 방법(830)을 나타낸다. 방법(830)은, 예를 들어, 신축적 컴퓨팅 디바이스(810)에 의하여, 또는 컴퓨팅 디바이스(810)를 위하여 다른 컴퓨팅 시스템(예를 들어, 서버)에 의하여, 또는 DSCR(106)에 의하여 수행될 수 있다. 도 10b를 참조하면, 초기에, 내부 컴퓨팅 자원과 동적으로 확장가능한 자원을 포함할 수 있는 신축적 컴퓨팅 환경의 외부 컴퓨팅 자원 사이에, 실행을 위한 실행가능 컴퓨터 코드의 실행가능한 부분을 개별적으로 할당하는 방법이, 기계 학습에 기반하여 결정될 수 있다(832). 다음으로, 실행을 위한 실행가능 컴퓨터 코드의 실행가능 부분을 할당할지 여부가 결정되고(834), 기계 학습에 기반하여 결정된(832) 실행 할당 구성에 따라서 하나 이상의 내부 컴퓨팅 자원 또는 하나 이상의 외부 컴퓨팅 자원으로, 실행가능 부분들이 할당될 수 있다(836). 실행가능 부분을 할당할지 여부의 결정(834)은, 예를 들어, 디자인 선택을 나타낼 수 있고, 또는 하나 이상의 조건들 및/또는 이벤트들에 기반하여 이루어질 수 있다. 할당(836)은 실행가능 코드 부분들을 할당하는 방법으로서 사용자로부터 특정 입력을 요구하지 않고 자동적으로 이루어질 수 있다. 그러나, 사용자는 할당에 대하여 유도되거나 사용자에게 통지될 수 있고, 또는 할당은 일반적 또는 특정적인 사용자 승인을 거치게 될 수 있다. 예를 들어, 사용자는 추천된 할당 구성을 승인하도록 유도될 수 있고, 또는 외부 자원 제공자로 할당을 승인할 수 있다. 어떤 경우에, 기계 학습은 사용자 입력을 요구하지 않고 실행가능 코드 부분을 할당하는 방법을 결정하는데 이용될 수 있다.
신축적 컴퓨팅 디바이스에서 실행 할당을 위해 이용될 수 있는 기계 학습 기술 또는 알고리즘은 광범위하게 변동할 수 있다. 이들 기술은, 예를 들어, "지도 학습" 또는 "자율 학습(unsupervised learning)", "준지도 학습(semi-supervised learning)", "강화 학습(reinforcement learning)", "변환(transduction)", 및 "학습을 위한 학습"을 포함할 수 있다. 지도 학습에서, 소정의 입력을 출력에 매핑하는 기능은 입력-출력 예시들에 기반하여 또는 입력-출력 예시들을 분석하여 생성될 수 있다. 지도 학습에서, 입력들의 집합은 클러스터링과 같은 기술들을 이용하여 매핑될 수 있다. 준지도 학습은 레이블이 할당된 예 및 레이블이 할당되지 않은 예 둘 다를 결합하여 적절한 기능 또는 분류기를 생성한다. 강화 학습에서, 기계는 세계의 소정의 관측을 하는 방법을 학습할 수 있다. 예를 들어, 모든 액션은 환경에 영향을 가질 수 있고, 환경은 학습을 유도하는 보상의 형태로 피드백을 제공할 수 있다. 변환은 훈련 입력, 훈련 출력, 및 시험 입력에 기반하여 새로운 출력을 예측하도록 노력한다. 학습을 위한 학습에서, 기계는 이전 경험을 기반으로 그 자신의 귀납적인 바이어스(bias)를 학습할 수 있다.
지도 학습은, 대량 소모를 위해 구현하는데 상대적으로 비용면에서 더 효과적일 수 있으므로, 특히, 휴대용 또는 이동 장치에 대해, 더 나은 그리고/또는 더 실용적인 해법일 수 있다. 예를 들어, 신축적 컴퓨팅 환경에서, 실행가능 컴퓨터 코드의 실행을 할당하기 위하여 지도 학습(또는 지도 기계 학습)을 이용하기 위한 기술들이 아래에 더 상세하게 설명될 것이다.
지도 학습은 기계 학습의 일 형태이다. 일반적으로, 지도 학습은, 통상 벡터들로서 또는 벡터 형태로 표현되는 입력 객체와 원하는 출력의 쌍들을 포함할 수 있는 훈련 데이터로부터 기능을 추론한다. 지도 학습의 주요 목적은 훈련 데이터로서 제공되는 다수의 훈련 예시들의 관점에서 어떤 유효한 입력 목적에 대해 추론된 기능의 값을 예측하는 것이다. 지도 학습은, 예를 들어, 나이브 베이시안 프레임워크(Naive Bayesian framework) 또는 나이브 베이시안 분류기(Naive Bayesian classifier)로 이용될 수 있다. 다음의 단순하고 고전적인 예는 컬러 및 형태로 기술되는 과일들로 구성되는 데이터를 위해 설명할 때, 분류는 나이브 베이스(Naive Bayes)를 이용하여 이루어질 수 있다. 예를 들어, 베이시안 분류기는, "당신이 붉고 둥근 과일을 본다면, 관찰된 데이터 샘플에 기반하여, 어떤 종류의 과일이 가장 가능성이 높은가? 미래에, 이런 종류의 과일로서 붉고 둥근 과일을 분류하라"와 같이 동작할 수 있다. 더 실용적인 애플리케이션들에서 적은 변수 및 클래스들이 존재하는 경우 문제가 발생할 수 있다. 그 결과, 막대한 개수의 관측이 여러 변수 및 클래스들에 대한 확률을 추정하는데 요구될 수 있다. 나이브 베이시안 분류는 각각의 변수들의 가능한 조합에 대하여 막대한 개수의 관측을 요구하지 않음으로써 이 문제를 피할 수 있다. 더 정확히 말하면, 나이브 베이스 분류에서, 변수들은 서로 독립적인 것으로 가정된다. 즉, 소정의 클래스에서 변수 값의 효과는 다른 변수들의 값들에 독립적이어서 확률의 계산을 단순화한다. 이 가정은 종종 "클래스 조건부 독립"이라고 불린다. 예를 들어, 붉고, 둥글고, 단단하고, 지름이 3인치인 과일이 사과일 확률은, 과일이 붉고, 과일이 둥글고, 과일이 단단하고, 과일이 3인치인 독립적인 확률로부터 계산될 수 있다.
나이브 베이스 분류는 다음과 같이 표현될 수 있는 베이스 정리(Bayes Theorem)에 기초한다.
Figure pat00010
X를 그 클래스 레이블이 알려지지 않은 데이터 레코드(케이스)로 둔다. H를 "데이터 레코드 X가 특정 클래스 C에 속한다."와 같은 어떤 가설로 둔다. 분류를 위해서, 목적은, 관측된 데이터 레코드 X가 주어진 경우, 가설 H가 유지하는 확률 P(H|X)을 결정하는 것이다. P(H|X)는 X에 좌우되는 H의 조건부(또는 사후) 확률이다. 예를 들어, 붉고 둥근 조건이 주어진 상황에서, 과일이 사과인 확률이다. 반면에, P(H)는, 사전(또는 무조건) 확률, 또는 연역적 확률이다. 이 예에서, P(H)는, 데이터 레코드가 어떻게 보이는지에 무관하게, 어떤 주어진 데이터 기록이 사과일 확률이다. 사후 가능성, P(H|X)은, X에 독립적인 사전 확률 P(H)보다 더 많은 정보(예를 들어, 배경 지식)에 기반한다. 유사하게, P(H|X)은, H에 좌우되는 X의 사후 확률이다. 즉, X가 사과라고 알려진 상황에서 X가 붉고 둥근 확률이다. P(X)는 X의 사전 확률이다. 즉, 사과의 집합으로부터 데이터 레코드가 붉고 둥글 확률이다. 베이스 정리는 "P(H), P(X) 및 P(X|H)로부터 P(H|X)"인 사후 확률을 계산하는 방법을 제공한다.
상술한 바와 같이, 훈련 데이터는 지도 학습을 위해 이용될 수 있다. 훈련 데이터는 본 발명의 원리에 따라 실행 할당 시스템(예를 들어, 도 10a에 나타난 MLEAS(812))에 의해 지도 학습을 위한 로그(또는 이력 데이터)로서 제공될 수 있다.
더 설명하기 위하여, 도 11a는 본 발명의 다양한 실시예에 따라 지도 학습 기반 실행 할당 시스템으로 제공될 수 있는 훈련 데이터를 나타낸다. 훈련 데이터는, 예를 들어, 로그 데이터 또는 이력 데이터로서 제공될 수 있다. 도 11a를 참조하면, 훈련 데이터(850)는 조건부 컴포넌트(들) 데이터(850A) 및 실행 할당 데이터(850B)로 일반적으로 제공될 수 있다. 조건부 컴포넌트(들) 데이터(850A)는 고려될 수 있는 하나 이상의 조건부 컴포넌트들(예를 들어, 시스템 및/또는 컴퓨팅 환경의 상황에 관한 상태 데이터, 하나 이상의 선택가능 선호도에 관한 선호 데이터)을 대표한다. 실행 할당 데이터(850B)는, 실행 할당의 다양한 구성을 대표한다. 예를 들어, 구성은, "(A, B and C)-내부 컴퓨팅 자원을 이용하여 실행을 위하여 할당된 제1 실행가능 부분 A 및 내부 컴퓨팅 자원을 이용하여 실행을 위해 할당된 제2 실행가능 부분 B 및 제3 실행가능 부분 C"로서 표현될 수 있다. 다른 예로서, 구성은, "(A, B, C)-내부 컴퓨팅 자원을 이용하여 실행을 위해 할당된 제1 실행가능 부분 A 및 제1 및 제2 외부 자원으로 각각 실행을 위해 할당된 제2 실행가능 부분 B 및 제3 실행가능 부분 C로서 표현될 수 있다.
훈련 데이터는 벡터 형태로 표현될 수 있다. 다시 도 11a를 참조하면, 조건부 컴포넌트 데이터가 2개의 개별 조건부 컴포넌트, X 및 Y에 대해 그려지는 벡터 형태로 제공된 훈련 데이터(850)를 대표한다. 각 개별 컴포넌트는 다수의 서브-컴포넌트를 가질 수 있다. 예를 들어, 상태 벡터(X)는, 다수의 상황 관련 서브컴포넌트들, 즉, 업로드 대역폭, 처리량, 파워 레벨, 메모리 이용, 파일 캐시 등으로 구성될 수 있다. 유사하게, 선호도 벡터는, 재정적 비용, 파워 소모, 처리 시간, 보안 등으로 구성될 수 있다.
도 11a를 참조하면, 훈련 데이터(854)는, 개별 구성의 발생의 개수(또는 빈도)와 함께 다양한 실행 할당 구성(Y)에 대한 관측된 상태(X) 및 선호도(Y)를 제공할 수 있다. 훈련 데이터(854)는, 지도 학습 메커니즘의 훈련 데이터에 기반하여 이용될 수 있는 예시적인 로그(또는 이력) 데이터를 대표한다.
더 설명하기 위하여, 도 11b는 본 발명의 다른 실시예에 따라 지도 학습을 위한 훈련 데이터(902)를 이용하도록 동작하는 MLEAS(900)를 나타낸다. MLEAS(900)는, 도 10a에 나타난 MLEAS(812)의 일 예이다. 도 11b를 참조하면, 훈련 데이터(902)는, 예를 들어, 도 11a에 나타난 데이터(854)와 유사한 형태일 수 있다. 예를 들어, 훈련 데이터(902)는, (X, Z, Y)의 형태로 표현될 수 있다. 여기에서, X 및 Z는 각각 상태 벡터 및 선호도 벡터이고, Y는 실행 할당 구성(도 11a에도 도시됨)이다. 훈련 데이터(902)는, 예를 들어, 로그 데이터로부터 추출될 수 있고 MLEAS(900)의 지도 훈련 컴포넌트(900a)로 제공될 수 있다. 일반적으로, 지도 훈련 컴포넌트(900a)는, 분류기(또는 결정) 컴포넌트(900b)에 의해 이용될 수 있는 학습된 데이터(예를 들어, 사전 및 조건부 확률들의 집합)을 생성하여, 도 11b에 나타난 예시적인 실시예에서 입력(X, Z)으로서 표현될 수 있는 소정의 입력(예를 들어, 현재) 조건에 대해 원하는 실행 할당 구성을 Y출력으로서 결정하기 위하여, 훈련 데이터(902)를 이용할 수 있다. 즉, 지도 학습 컴포넌트(900a)에 의해 제공되는 학습된 데이터에 기초하여, 분류기 컴포넌트(900b)는, 예를 들어, 디바이스의 현 상태 및 선택된 선호도와 같은, 하나 이상의 조건에 의해 표현되는 상황에서 실행가능 코드의 다양한 부분(도시되지 않음)을 할당하는 방법을 결정할 수 있다. 도 11b에서 제안되는 바와 같이, 입력 Z는, 잠재적으로 다양한 선호도의 집합, 예를 들어, 속도, 절전, 보안/프라이버시 및 재정적 비용에 대하여 제공되는 입력(예를 들어, 현재 선택된 선호도)를 대표할 수 있다.
예를 들어, MLEAS(900)가 나이브 베이시안 분류기를 이용하는 경우, 제1 사전 및 조건부 확률은 지도 학습 컴포넌트(900a)에 의해 계산될 수 있고, 그런 다음, 분류기(900B)는 사전의 조건부 확률을 이용하여, 현재 선택된 사용자 선호도(Z) 및 디바이스의 상태(X)에서, 웹릿들에 대하여 실행 할당 구성(출력 Y)을 추천할 수 있다.
즉:
- 우선, 사전의 조건부 확률을 계산한다.
- 그런 다음, 나이브 베이스 분류기를 이용하여 구성을 추천한다. 여기에서, 각 구성은:
Figure pat00011
xi는 i번째 컴포넌트 값이다. 각 상태 컴포넌트는 서로 다른 상태 번호를 가질 수 잇다.
zi는 j번째 선호도 컴포넌트 값이다. 각 선호도 컴포넌트는 서로 다른 상태 번호를 가질 수 있다.
N은 가능한 구성의 개수이다. L은 상태 벡터를 포함하는 상태 컴포넌트의 개수이고, M은 선호도 벡터를 포함하는 선호도 컴포넌트의 개수이다.
다른 예로서, 단지 상태 벡터(X)는 내부 및 외부 컴퓨팅 자원 사이에 실행을 위한 웹릿들을 할당하는 방법을 결정하는데 이용될 수 있다. 즉,
Figure pat00012
xi는 i번째 컴포넌트 값이다. 각 상태 컴포넌트는 서로 다른 상태 번호를 가질 수 잇다.
N은 가능한 구성의 개수이다. L은 상태 벡터를 포함하는 상태 컴포넌트의 개수이다.
다른 예로서, 단지 선호도 벡터(Z)는, 내부 및 외부 컴퓨팅 자원 사이에 실행을 위한 웹릿들을 할당하는 방법을 결정하는데 이용될 수 있다. 즉:
Figure pat00013
zi는 j번째 선호도 컴포넌트 값이다. 각 선호도 컴포넌트는 서로 다른 상태 번호를 가질 수 있다.
N은 가능한 구성의 개수이다. M은 선호도 벡터를 포함하는 선호도 컴포넌트의 개수이다.
더 설명하기 위하여, 도 11c는 본 발명의 일 실시예에 따른, 신축적 컴퓨팅 환경에서 실행 할당을 자동적으로 결정하기 위하여 지도 기계 학습의 방법(950)을 나타낸다. 방법(950)은, 예를 들어, 도 11b에 나타난 MLEAS(900)의 지도 학습 컴포넌트(900a)에 의해 이용될 수 있다. 도 11c를 참조하면, 초기에, 조건부 컴포넌트 데이터 및 실행 할당 구성 데이터는 로그 데이터로부터 획득된다(952). 조건부 컴포넌트 데이터는 하나 이상의 조건부 컴포넌트(예를 들어, 상태, 선호도)에 관한 것이다. 다음으로, 벡터들은 (i)조건부 컴포넌트 데이터와 (ii)그 대응하는 실행 할당 구성에 대해 생성된다(954). 그 후에, 사전(또는 무조건) 확률이 적어도 복수 개의 가능한 실행 할당 구성에 대해 결정된다. 더 정확한 예측을 위하여, 통상적으로, 모든 가능한 실행 할당 구성에 대한 사전 확률을 계산하는 것이 바람직하다(956). 유사하게, 하나 이상의 조건부 컴포넌트와 관련된 조건부 확률은, 복수의 또는 가능한 모든 실행 할당 구성에 대하여 결정될 수 있다. 예를 들어, 상태 및 선호도 벡터와 관련된 모든 개별 조건부 확률은 모든 가능한 구성에 대해 결정될 수 있다. 다른 예로서, 단지 상태 벡터와 관련된 조건부 확률 또는 선호도 벡터와 관련된 것들은, 다수의 또는 모든 가능한 실행 할당 구성에 대해 결정될 수 있다. 방법(950)은 조건부 확률들이 결정된 후(958)에 끝난다. 방법(950)에 의해 결정되는 사전의 그리고 조건부 확률은, 신축적 컴퓨팅 환경에서 실행 할당을 결정하기 위하여 지도 학습을 위한 입력 또는 훈련 데이터로서 제공될 수 있다.
더 설명하기 위하여, 도 11d는 본 발명의 일 실시예에 따른 지도 학습 기반의 신축적 컴퓨팅 환경에서 실행 할당을 결정하는 방법(980)을 나타낸다. 방법(980)은 도 11c에 나타난 방법(950)에 의해 결정된 사전의 그리고 조건부 확률을 이용할 수 있다. 방법(980)은, 예를 들어, 도 11b에 나타난 MLEAS(900)의 분류기(900b)에 의해 이용될 수 있다. 도 11d를 참조하면, 초기에, 하나 이상의 조건부 컴포넌트들(예를 들어, 상태, 선호도)에 관한 입력(예를 들어, 현재) 조건부 컴포넌트(들) 데이터가 획득된다(982). 예를 들어, 입력 조건부 데이터는 디바이스의 현 상태 및 선택된 선호도에 대하여 디바이스의 현 상태 또는 상황을 나타낼 수 있다. 어떤 경우에, 입력 벡터들은 입력 조건부 데이터에 기반하여 생성된다(984). 다음으로, 다수의(가능한 모두의) 실행 할당 구성과 관련된 결정된 사전의 그리고 조건부 확률들이 획득된다(986). 그 후에, (i)사전 확률 및 (ii) 조건부 확률의 곱(product)이, 소정의 조건부 컴포넌트들의 입력 벡터에서 다수의 (가능한 모두의) 실행 할당 구성에 대해 결정된다(988). 따라서, 가장 높은 곱의 확률을 가진 실행 할당 구성이, 신축적 컴퓨팅 환경의 내부 및 외부 컴퓨팅 자원에 의해서 실행을 위한 컴퓨터 실행가능 코드의 개별적인 실행가능 컴포넌트들(예를 들어, 웹릿)을 할당하기 위해 이용될(또는 이용을 위해 추천된) 구성으로서 선택될 수 있다(990). 방법(950)은, 실행 할당 구성이 선택된 후에(990) 종료된다.
가장된 데이터(simulated data)가 관측된 데이터보다 더 이용될 수 있다. 가장된 데이터는, 관측된 데이터가 아직 이용가능하지 않은 때(예를 들어, "콜드 스타트") 또는 실제 데이터를 기록하기 위하여 바람직하지 않거나 실행가능하지 않을 때의 상황을 포함하여, 다양한 상황에서 이용될 수 있다. 가장된 데이터는 시뮬레이션에 의하여 또는 가능한 실행 할당 구성의 서브세트 또는 전부를 테스트함으로써 생성될 수 있다. 일반적으로, 실행 할당 비용 모델은 실행 할당 구성의 실행 할당의 비용을 결정하거나 추정하는데 이용될 수 있다.
예를 들어, 소정의 조건부 컴포넌트에서, 상태 및 구성 데이터는 모든 가능한 실행 할당 구성을 반복적으로 테스트함으로써 수집될 수 있다. 그런 다음, 상태 및 실행 할당 구성에 대응하는 비용 벡터들이 결정될 수 있다. 그 후에, 모든 실행 할당 구성들에 대하여, 이전의 가능성 및 개별 조건부 상태 및 비용 확률이 결정될 수 있다. 결정 단계에서, 비용 벡터의 조건부 확률과 개별 상태 컴포넌트의 곱은, 상술된 것과 유사한 방식으로 출력으로서 실행 할당 구성(즉, 최고의 곱 확률을 가진 구성)을 선택하는데 이용될 수 있다. 즉, 나이브 베이시안 학습 및 결정은, 비용 벡터 S를 선호도 벡터 Z로 대체함으로써 선호도 벡터에 대해 관측된 데이터 없이 달성될 수 있다.:
Figure pat00014
여기에서, Sj는 j번째 컴포넌트 변수이다.
다양한 다른 지도 기계 학습 기술들은, 예를 들어, 서포트 벡터 머신 및 로지스틱 회귀분석, 및 최소 자승법을 포함하여 이용될 수 있다.
전술한 본 발명의 다양한 측면들, 특징들, 실시예들 또는 구현예들은 별도로 또는 다양한 조합으로 이용될 수 있다. 본 발명의 많은 특징들 및 이점들은 기재된 설명으로부터 명백하며, 따라서, 첨부된 청구항들은 본 발명의 이러한 모든 특징들 및 이점들을 포함하도록 의도된다. 또한, 수많은 변형 및 변경이 당업자에게 쉽게 수행될 수 있으므로, 본 발명은 예시되고 기술된 바와 같은 정확한 구성 및 동작들에 제한되어서는 안된다. 따라서, 적당한 변형들 및 균등물들이 본 발명의 범위 내에 의존될 수 있다.

Claims (23)

  1. 하나 이상의 내부 컴퓨팅 자원을 포함하는 컴퓨팅 시스템으로서, 상기 컴퓨팅 시스템은,
    상기 내부 컴퓨팅 자원 및 상기 컴퓨팅 시스템 외부의 적어도 하나의 동적으로 확장가능한 컴퓨팅 자원을 포함하는 하나 이상의 외부 컴퓨팅 자원 사이에, 실행을 위한 실행가능 컴퓨터 코드의 복수 개의 실행가능한 부분들을 개별적으로 할당하는 방법을, 기계 학습에 기반하여 결정하도록 동작하는 컴퓨팅 시스템.
  2. 제1항에 있어서,
    상기 컴퓨팅 시스템은 상기 실행가능 컴퓨터 코드의 상기 복수 개의 실행가능 부분들을 자동적으로 할당하기 위하여 상기 기계 학습을 이용하도록 더 동작하는 컴퓨팅 시스템.
  3. 제1항에 있어서,
    상기 컴퓨팅 시스템은, 사용자 입력을 요구하지 않고, 상기 내부 컴퓨팅 자원으로 또는 상기 외부 컴퓨팅 자원으로 실행가능 컴퓨터 코드의 상기 복수 개의 실행가능 부분들의 각각 하나를 자동적으로 할당하도록 더 동작하는 컴퓨팅 시스템.
  4. 제1항에 있어서,
    상기 컴퓨팅 시스템은, 상기 실행가능 컴퓨터 코드의 런타임 동안, 하나 이상의 내부 컴퓨팅 자원과 하나 이상의 외부 컴퓨팅 자원 사이에 실행을 위한 상기 복수 개의 실행가능한 부분들을 할당하는 방법을 결정하도록 더 동작하는 컴퓨팅 시스템.
  5. 제1항에 있어서,
    상기 컴퓨팅 시스템은,
    상기 복수 개의 실행가능한 부분들의 하나 이상이 실행을 위해 로딩될 때;
    상기 복수 개의 실행가능한 부분들의 하나 이상이 실행을 위해 로드되는 때;
    실행가능 컴퓨터 코드의 상기 복수 개의 실행가능한 부분들의 하나 이상이 상기 내부 컴퓨팅 자원 또는 상기 외부 컴퓨팅 자원에 의해 실행중인 때; 중 하나 이상이 일어나는 때, 상기 복수 개의 실행가능한 부분들을 할당하는 방법을 결정하도록 더 동작하는 컴퓨팅 시스템.
  6. 제1항에 있어서,
    상기 기계 학습은 지도 기계 학습의 형태인 컴퓨팅 시스템.
  7. 제6항에 있어서,
    상기 지도 기계 학습은 나이브 베이시안 분류를 이용하는 컴퓨팅 시스템.
  8. 제6항에 있어서,
    상기 지도 기계 학습은, 선호 데이터; 및 상태 및/또는 시스템 데이터의 하나 이상에 기반하는 컴퓨팅 시스템.
  9. 제8항에 있어서,
    상기 선호 데이터는, 상기 컴퓨팅 시스템의 하나 이상의 사용자들의 하나 이상의 선호도를 나타내고,
    상기 상태 및/또는 시스템 데이터는 상기 컴퓨팅 시스템 및/또는 그 컴퓨팅 환경의 하나 이상의 상태를 나타내는 컴퓨팅 시스템.
  10. 제1항에 있어서,
    상기 컴퓨팅 시스템은, 하나 이상의 내부 컴퓨팅 자원과 하나 이상의 외부 컴퓨팅 자원 사이에 실행을 위한 실행가능 컴퓨터 코드의 부분들의 실제 할당에 관한 할당 데이터를 수집하도록 더 동작하는 컴퓨팅 시스템.
  11. 제10항에 있어서,
    상기 할당 데이터는, 상기 컴퓨팅 시스템의 상태에 관한 상태 데이터 및/또는 실행가능 컴퓨터 코드의 부분들의 실제 할당에 대응하는 사용자 선호 데이터를 나타내는 사용자 선호 데이터를 포함하는 컴퓨팅 시스템.
  12. 제11항에 있어서,
    상기 컴퓨팅 시스템은, 지도 기계 학습을 위한 훈련 데이터로서 상기 할당 데이터를 제공하도록 더 동작하는 컴퓨팅 시스템.
  13. 제1항에 있어서,
    상기 컴퓨팅 시스템은,
    사전(prior) 확률 및/또는 하나 이상의 조건부 컴포넌트들과 관련된 조건부 확률을 결정하고,
    상기 사전 확률 및/또는 조건부 확률에 기반하여, 상기 실행가능한 코드 부분들의 할당을 결정하도록 더 동작하는 컴퓨팅 시스템.
  14. 제13항에 있어서,
    상기 조건부 컴포넌트들은 하나 이상의 선호 컴포넌트들 및 벡터 형태로 표현되는 하나 아상의 시스템 상태 컴포넌트들을 포함하는 컴퓨팅 시스템.
  15. 제1항에 있어서,
    상기 컴퓨팅 시스템은,
    입력으로서 현재 상태 및/또는 현재 선호도를 나타내는 현 데이터를 수신하고,
    상기 현 데이터 및 적어도 복수 개의 가능한 실행 할당 구성에 대한 상기 현 데이터와 관련된 조건부 확률을 기반으로, 실행 할당 구성을 선택하도록, 더 동작하는 컴퓨팅 시스템.
  16. 컴퓨터로 구현되는 방법으로서,
    컴퓨팅 시스템의 하나 이상의 내부 컴퓨팅 자원 및 상기 컴퓨팅 시스템 외부의 적어도 하나의 동적으로 확장가능한 컴퓨팅 자원을 포함하는 하나 이상의 외부 컴퓨팅 자원 사이에, 실행을 위한 실행가능 컴퓨터 코드의 복수 개의 실행가능한 부분들을 개별적으로 할당하는 방법을, 기계 학습에 기반하여 결정하는 단계를 포함하는 방법.
  17. 제16항에 있어서,
    상기 내부 컴퓨팅 자원으로 또는 상기 외부 컴퓨팅 자원으로 상기 실행가능 컴퓨터 코드의 상기 복수 개의 실행가능한 부분들을 자동적으로 할당하기 위하여 기계 학습을 이용하는 단계를 더 포함하는 방법.
  18. 제16항에 있어서,
    상기 실행가능 컴퓨터 코드는 웹 기반 애플리케이션을 포함하고 상기 복수 개의 개별적으로 실행가능한 부분들은 상기 웹 기반 애플리케이션의 웹릿들이고,
    상기 기계 학습은 지도 기계 학습의 일 형태인 방법.
  19. 컴퓨터 실행가능 명령어를 저장하는 컴퓨터 판독가능 저장 매체로서,
    상기 컴퓨터 실행가능 명령어는, 실행될 때, 컴퓨팅 시스템의 하나 이상의 내부 컴퓨팅 자원 및 상기 컴퓨팅 시스템 외부의 적어도 하나의 동적으로 확장가능한 컴퓨팅 자원을 포함하는 하나 이상의 외부 컴퓨팅 자원 사이에, 실행을 위한 실행가능 컴퓨터 코드의 복수 개의 실행가능한 부분들을 개별적으로 할당하는 방법을, 기계 학습에 기반하여 결정하는 컴퓨터 판독가능 저장 매체.
  20. 제19항에 있어서,
    상기 컴퓨터 실행가능 명령어는, 실행될 때, 상기 내부 컴퓨팅 자원으로 또는 상기 외부 컴퓨팅 자원으로 상기 실행가능 컴퓨터 코드의 상기 복수 개의 실행가능한 부분들을 자동적으로 할당하기 위하여 기계 학습을 이용하는 컴퓨터 판독가능 저장 매체.
  21. 컴퓨팅 시스템으로서, 상기 컴퓨팅 시스템은,
    제2 컴퓨팅 시스템의 내부 컴퓨팅 자원 및 상기 컴퓨팅 시스템 외부의 적어도 하나의 동적으로 확장가능한 컴퓨팅 자원을 포함하는 하나 이상의 외부 컴퓨팅 자원 사이에, 실행을 위한 실행가능 컴퓨터 코드의 복수 개의 실행가능한 부분들을 개별적으로 할당하는 방법을, 기계 학습에 기반하여 결정하도록 동작하는 컴퓨팅 시스템.
  22. 제22항에 있어서,
    상기 컴퓨팅 시스템은, 상기 제2 컴퓨팅 시스템을 클라이언트로서 효과적으로 서비스하는 서버인 컴퓨팅 시스템.
  23. 제22항에 있어서,
    상기 컴퓨팅 시스템은, 적어도 하나의 동적으로 확장가능한 컴퓨팅 자원의 일부로서 제공되는 컴퓨팅 시스템.
KR1020100063051A 2009-07-02 2010-06-30 신축적 컴퓨팅 시스템 및 환경을 포함하는 컴퓨팅 시스템 및 환경에 대한 실행 할당 비용 평가 KR101768005B1 (ko)

Applications Claiming Priority (10)

Application Number Priority Date Filing Date Title
US22285509P 2009-07-02 2009-07-02
US22265409P 2009-07-02 2009-07-02
US61/222,654 2009-07-02
US61/222,855 2009-07-02
US12/559,394 2009-09-14
US12/559,394 US9052958B2 (en) 2008-11-21 2009-09-14 Extending the capability of computing devices by using dynamically scalable external resources
US12/609,970 US8239538B2 (en) 2008-11-21 2009-10-30 Execution allocation cost assessment for computing systems and environments including elastic computing systems and environments
US12/609,970 2009-10-30
US12/710,204 2010-02-22
US12/710,204 US8560465B2 (en) 2009-07-02 2010-02-22 Execution allocation cost assessment for computing systems and environments including elastic computing systems and environments

Publications (2)

Publication Number Publication Date
KR20110002809A true KR20110002809A (ko) 2011-01-10
KR101768005B1 KR101768005B1 (ko) 2017-08-14

Family

ID=43413169

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100063051A KR101768005B1 (ko) 2009-07-02 2010-06-30 신축적 컴퓨팅 시스템 및 환경을 포함하는 컴퓨팅 시스템 및 환경에 대한 실행 할당 비용 평가

Country Status (2)

Country Link
US (2) US8560465B2 (ko)
KR (1) KR101768005B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101401549B1 (ko) * 2013-03-08 2014-06-11 한국과학기술원 공간벡터 변환에 근거한 vm 프로비저닝 방법
KR101407765B1 (ko) * 2011-12-29 2014-06-17 인하대학교 산학협력단 클라우드 환경의 교통정보 서비스를 위한 조건부 확률추론을 이용한 가상머신 할당 장치 및 방법
KR101465879B1 (ko) * 2013-05-01 2014-11-26 연세대학교 산학협력단 데이터 오프로딩 방법 및 그 장치
KR101479978B1 (ko) * 2013-07-09 2015-01-08 한국과학기술정보연구원 적응적 평가를 반영한 클라우드 자원 분배 방법 및 장치
KR20200141130A (ko) * 2019-06-10 2020-12-18 건국대학교 산학협력단 운전 보조 시스템의 동작 방법, 운전 보조 시스템의 구동을 위한 프로세싱 유닛 및 운전 보조 장치의 구동 시스템
KR20220046812A (ko) * 2020-10-08 2022-04-15 인하대학교 산학협력단 모바일 엣지 컴퓨팅에서 엣지 서버 한도 전력 하에서 보상을 최대화하는 작업 오프로딩

Families Citing this family (80)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8239538B2 (en) 2008-11-21 2012-08-07 Samsung Electronics Co., Ltd. Execution allocation cost assessment for computing systems and environments including elastic computing systems and environments
US9052958B2 (en) * 2008-11-21 2015-06-09 Samsung Electronics Co., Ltd. Extending the capability of computing devices by using dynamically scalable external resources
US8918761B1 (en) * 2008-12-05 2014-12-23 Amazon Technologies, Inc. Elastic application framework for deploying software
US9485117B2 (en) 2009-02-23 2016-11-01 Red Hat, Inc. Providing user-controlled resources for cloud computing environments
US8504689B2 (en) * 2010-05-28 2013-08-06 Red Hat, Inc. Methods and systems for cloud deployment analysis featuring relative cloud resource importance
US20160154673A1 (en) * 2014-07-23 2016-06-02 Sitting Man, Llc Methods, systems, and computer program products for providing a minimally complete operating environment
US8918499B2 (en) * 2010-08-09 2014-12-23 International Business Machines Corporation Method and system for end-to-end quality of service in virtualized desktop systems
JP5533440B2 (ja) * 2010-08-25 2014-06-25 富士通株式会社 配置決定プログラム、方法及び装置
US9412050B2 (en) * 2010-10-12 2016-08-09 Ncr Corporation Produce recognition method
US10289453B1 (en) * 2010-12-07 2019-05-14 Amazon Technologies, Inc. Allocating computing resources
US20130060657A1 (en) * 2011-04-04 2013-03-07 Parago, Inc. Hosting E-Commerce Based on Cloud Computing
US8706869B2 (en) * 2011-06-14 2014-04-22 International Business Machines Corporation Distributed cloud placement software
US8997107B2 (en) * 2011-06-28 2015-03-31 Microsoft Technology Licensing, Llc Elastic scaling for cloud-hosted batch applications
US8775593B2 (en) 2011-06-29 2014-07-08 International Business Machines Corporation Managing organizational computing resources in accordance with computing environment entitlement contracts
US20130006793A1 (en) 2011-06-29 2013-01-03 International Business Machines Corporation Migrating Computing Environment Entitlement Contracts Based on Seller and Buyer Specified Criteria
US8812679B2 (en) 2011-06-29 2014-08-19 International Business Machines Corporation Managing computing environment entitlement contracts and associated resources using cohorting
US9760917B2 (en) 2011-06-29 2017-09-12 International Business Machines Corporation Migrating computing environment entitlement contracts between a seller and a buyer
US8533715B2 (en) 2011-08-09 2013-09-10 International Business Machines Corporation Virtual machine management
US9112812B2 (en) 2011-09-22 2015-08-18 Embrane, Inc. Distributed virtual appliance
US8914515B2 (en) * 2011-10-28 2014-12-16 International Business Machines Corporation Cloud optimization using workload analysis
KR101893982B1 (ko) 2012-04-09 2018-10-05 삼성전자 주식회사 분산 처리 시스템, 분산 처리 시스템의 스케줄러 노드 및 스케줄 방법, 및 이를 위한 프로그램 생성 장치
US20150113539A1 (en) * 2012-05-25 2015-04-23 Nec Europe Ltd. Method for executing processes on a worker machine of a distributed computing system and a distributed computing system
EP2696632A3 (en) * 2012-08-09 2014-04-09 Samsung Electronics Co., Ltd System and method of power savings for mobile device using cloud service
US9552231B2 (en) * 2012-09-27 2017-01-24 Adobe Systems Incorporated Client classification-based dynamic allocation of computing infrastructure resources
US9106721B2 (en) 2012-10-02 2015-08-11 Nextbit Systems Application state synchronization across multiple devices
US8745261B1 (en) 2012-10-02 2014-06-03 Nextbit Systems Inc. Optimized video streaming using cloud computing platform
US9477313B2 (en) 2012-11-20 2016-10-25 Samsung Electronics Co., Ltd. User gesture input to wearable electronic device involving outward-facing sensor of device
US10423214B2 (en) 2012-11-20 2019-09-24 Samsung Electronics Company, Ltd Delegating processing from wearable electronic device
US11372536B2 (en) 2012-11-20 2022-06-28 Samsung Electronics Company, Ltd. Transition and interaction model for wearable electronic device
US8994827B2 (en) 2012-11-20 2015-03-31 Samsung Electronics Co., Ltd Wearable electronic device
US9030446B2 (en) 2012-11-20 2015-05-12 Samsung Electronics Co., Ltd. Placement of optical sensor on wearable electronic device
US11157436B2 (en) 2012-11-20 2021-10-26 Samsung Electronics Company, Ltd. Services associated with wearable electronic device
US11237719B2 (en) * 2012-11-20 2022-02-01 Samsung Electronics Company, Ltd. Controlling remote electronic device with wearable electronic device
US10185416B2 (en) 2012-11-20 2019-01-22 Samsung Electronics Co., Ltd. User gesture input to wearable electronic device involving movement of device
US10551928B2 (en) 2012-11-20 2020-02-04 Samsung Electronics Company, Ltd. GUI transitions on wearable electronic device
JP6326062B2 (ja) * 2012-11-26 2018-05-16 サイクル コンピューティング，エルエルシー 異なる環境どうし間でのジョブ実行依頼のトランスペアレントなルーティング
EP2759933A1 (en) 2013-01-28 2014-07-30 Fujitsu Limited A process migration method, computer system and computer program
US9817699B2 (en) 2013-03-13 2017-11-14 Elasticbox Inc. Adaptive autoscaling for virtualized applications
EP3722954B1 (en) 2013-06-24 2023-09-06 Cylance Inc. Automated system for generative multimodel multiclass classification and similarity analysis using machine learning
KR20150029185A (ko) * 2013-09-09 2015-03-18 삼성전자주식회사 애플리케이션 제공 방법 및 장치
JP6227378B2 (ja) * 2013-11-08 2017-11-08 株式会社日立製作所 バックアップ管理システムおよびバックアップ管理方法
US10250451B1 (en) * 2014-01-13 2019-04-02 Cazena, Inc. Intelligent analytic cloud provisioning
US8930916B1 (en) 2014-01-31 2015-01-06 Cylance Inc. Generation of API call graphs from static disassembly
US9262296B1 (en) 2014-01-31 2016-02-16 Cylance Inc. Static feature extraction from structured files
WO2015120243A1 (en) * 2014-02-07 2015-08-13 Cylance Inc. Application execution control utilizing ensemble machine learning for discernment
WO2015130301A1 (en) * 2014-02-28 2015-09-03 Hewlett-Packard Development Company, L.P. Allocating costs of shared resources
US10691332B2 (en) 2014-02-28 2020-06-23 Samsung Electronics Company, Ltd. Text input on an interactive display
EP2919438B1 (en) 2014-03-10 2019-06-19 Deutsche Telekom AG Method and system to estimate user desired delay for resource allocation for mobile-cloud applications
WO2015174777A1 (ko) 2014-05-15 2015-11-19 삼성전자 주식회사 단말 장치, 클라우드 장치, 단말 장치의 구동방법, 데이터 협업처리 방법 및 컴퓨터 판독가능 기록매체
US10545749B2 (en) 2014-08-20 2020-01-28 Samsung Electronics Co., Ltd. System for cloud computing using web components
US10762456B2 (en) * 2014-09-30 2020-09-01 International Business Machines Corporation Migration estimation with partial data
US20160218939A1 (en) * 2015-01-28 2016-07-28 Hewlett-Packard Development Company, L.P. Distributed multi-site cloud deployment
US9465940B1 (en) 2015-03-30 2016-10-11 Cylance Inc. Wavelet decomposition of software entropy to identify malware
US9495633B2 (en) 2015-04-16 2016-11-15 Cylance, Inc. Recurrent neural networks for malware analysis
CN104809026B (zh) * 2015-05-14 2018-03-30 苏州中晟宏芯信息科技有限公司 一种使用远程节点借用cpu计算资源的方法
US10142353B2 (en) 2015-06-05 2018-11-27 Cisco Technology, Inc. System for monitoring and managing datacenters
US9974492B1 (en) 2015-06-05 2018-05-22 Life365, Inc. Health monitoring and communications device
US10560135B1 (en) 2015-06-05 2020-02-11 Life365, Inc. Health, wellness and activity monitor
US10185513B1 (en) 2015-06-05 2019-01-22 Life365, Inc. Device configured for dynamic software change
US11329683B1 (en) 2015-06-05 2022-05-10 Life365, Inc. Device configured for functional diagnosis and updates
US10536357B2 (en) * 2015-06-05 2020-01-14 Cisco Technology, Inc. Late data detection in data center
US10311634B2 (en) 2015-07-21 2019-06-04 IAM Robotics, LLC Three dimensional scanning and data extraction systems and processes for supply chain piece automation
WO2017034527A1 (en) 2015-08-21 2017-03-02 Hewlett Packard Enterprise Development Lp Adjusting cloud-based execution environment by neural network
WO2017074401A1 (en) * 2015-10-29 2017-05-04 Hewlett Packard Enterprise Development Lp User interaction logic classification
US10614432B2 (en) * 2016-01-29 2020-04-07 Ncr Corporation Channel integration processing
US20170286861A1 (en) * 2016-04-01 2017-10-05 Damian Kelly Structured machine learning framework
WO2018126048A1 (en) * 2016-12-30 2018-07-05 Starkey Laboratories, Inc. Improved listening experiences for smart environments using hearing devices
US10425353B1 (en) 2017-01-27 2019-09-24 Triangle Ip, Inc. Machine learning temporal allocator
US10069759B1 (en) * 2017-01-27 2018-09-04 Triangle Ip, Inc. Machine learning resource allocator
US10057373B1 (en) * 2017-05-15 2018-08-21 Palantir Technologies Inc. Adaptive computation and faster computer operation
US20190122267A1 (en) 2017-10-24 2019-04-25 Kaptivating Technology Llc Multi-stage content analysis system that profiles users and selects promotions
US11551144B2 (en) * 2018-01-30 2023-01-10 Deepmind Technologies Limited Dynamic placement of computation sub-graphs
US10802825B2 (en) * 2019-02-25 2020-10-13 International Business Machines Corporation Cognitive software porting assistant system
US11288601B2 (en) 2019-03-21 2022-03-29 International Business Machines Corporation Self-learning selection of information-analysis runtimes
US11609832B2 (en) 2019-10-04 2023-03-21 International Business Machines Corporation System and method for hardware component connectivity verification
US11429434B2 (en) 2019-12-23 2022-08-30 International Business Machines Corporation Elastic execution of machine learning workloads using application based profiling
US11252226B2 (en) * 2020-03-05 2022-02-15 Qualcomm Incorporated Methods and apparatus for distribution of application computations
US11531558B2 (en) 2020-07-21 2022-12-20 Bank Of America Corporation System for hybrid computing application with desktop and web-based components
CN112346860B (zh) * 2020-10-27 2022-02-08 四川长虹电器股份有限公司 基于机器学习的弹性部署服务的方法及系统
US11520564B2 (en) 2021-01-20 2022-12-06 International Business Machines Corporation Intelligent recommendations for program code

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5978583A (en) 1995-08-07 1999-11-02 International Business Machines Corp. Method for resource control in parallel environments using program organization and run-time support
US6298481B1 (en) 1998-10-30 2001-10-02 Segasoft, Inc. System for modifying the functionality of compiled computer code at run-time
US7512965B1 (en) 2000-04-19 2009-03-31 Hewlett-Packard Development Company, L.P. Computer system security service
JP2002014929A (ja) 2000-04-26 2002-01-18 Sony Corp アクセス制御システム、アクセス制御方法、およびデバイス、アクセス制御サーバ、アクセス制御サーバ登録サーバ、データ処理装置、並びにプログラム記憶媒体
US7146607B2 (en) 2002-09-17 2006-12-05 International Business Machines Corporation Method and system for transparent dynamic optimization in a multiprocessing environment
WO2004081730A2 (en) 2003-03-07 2004-09-23 Netnostics, Inc. Network architecture
US20050071828A1 (en) 2003-09-25 2005-03-31 International Business Machines Corporation System and method for compiling source code for multi-processor environments
US7506335B1 (en) 2003-11-29 2009-03-17 Cisco Technology, Inc. Method and apparatus for software loading and initialization in a distributed network
US7376945B1 (en) 2003-12-02 2008-05-20 Cisco Technology, Inc. Software change modeling for network devices
CN101031882B (zh) 2004-06-08 2010-09-08 达尔特设备互操作有限公司 用于通用设备互操作性平台的设备组招募和内容再现的体系结构、装置和方法
US7698708B1 (en) 2004-07-30 2010-04-13 Symantec Operating Corporation Method and system for persistent, recoverable user-level locks
US20060031681A1 (en) * 2004-08-05 2006-02-09 Motorola, Inc. Method and system for controlling access to a wireless client device
US20070061785A1 (en) 2005-09-09 2007-03-15 Sun Microsystems, Inc. Web-based code tuning service
US8082545B2 (en) 2005-09-09 2011-12-20 Oracle America, Inc. Task dispatch monitoring for dynamic adaptation to system conditions
US7783698B2 (en) 2005-12-16 2010-08-24 Microsoft Corporation Generalized web-service
US20080016546A1 (en) 2006-07-13 2008-01-17 Li Tong L Dynamic profile access control
US8402110B2 (en) * 2006-09-28 2013-03-19 Microsoft Corporation Remote provisioning of information technology
US8380880B2 (en) 2007-02-02 2013-02-19 The Mathworks, Inc. Scalable architecture
US20090089078A1 (en) 2007-09-28 2009-04-02 Great-Circle Technologies, Inc. Bundling of automated work flow
EP2090983A1 (en) 2008-02-15 2009-08-19 Siemens Aktiengesellschaft Determining an architecture for executing code in a multi architecture environment
US8196175B2 (en) 2008-03-05 2012-06-05 Microsoft Corporation Self-describing authorization policy for accessing cloud-based resources
US7886021B2 (en) 2008-04-28 2011-02-08 Oracle America, Inc. System and method for programmatic management of distributed computing resources
US8572674B2 (en) 2008-08-13 2013-10-29 International Business Machines Corporation System, method, and apparatus for modular, string-sensitive, access rights analysis with demand-driven precision
US8239538B2 (en) 2008-11-21 2012-08-07 Samsung Electronics Co., Ltd. Execution allocation cost assessment for computing systems and environments including elastic computing systems and environments
US9288210B2 (en) 2009-01-26 2016-03-15 Microsoft Technology Licensing, Llc Revocable object access
US9705888B2 (en) * 2009-03-31 2017-07-11 Amazon Technologies, Inc. Managing security groups for data instances
US20100332530A1 (en) 2009-06-26 2010-12-30 Microsoft Corporation Islands of data
US8244559B2 (en) 2009-06-26 2012-08-14 Microsoft Corporation Cloud computing resource broker

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101407765B1 (ko) * 2011-12-29 2014-06-17 인하대학교 산학협력단 클라우드 환경의 교통정보 서비스를 위한 조건부 확률추론을 이용한 가상머신 할당 장치 및 방법
KR101401549B1 (ko) * 2013-03-08 2014-06-11 한국과학기술원 공간벡터 변환에 근거한 vm 프로비저닝 방법
KR101465879B1 (ko) * 2013-05-01 2014-11-26 연세대학교 산학협력단 데이터 오프로딩 방법 및 그 장치
KR101479978B1 (ko) * 2013-07-09 2015-01-08 한국과학기술정보연구원 적응적 평가를 반영한 클라우드 자원 분배 방법 및 장치
KR20200141130A (ko) * 2019-06-10 2020-12-18 건국대학교 산학협력단 운전 보조 시스템의 동작 방법, 운전 보조 시스템의 구동을 위한 프로세싱 유닛 및 운전 보조 장치의 구동 시스템
KR20220046812A (ko) * 2020-10-08 2022-04-15 인하대학교 산학협력단 모바일 엣지 컴퓨팅에서 엣지 서버 한도 전력 하에서 보상을 최대화하는 작업 오프로딩

Also Published As

Publication number Publication date
KR101768005B1 (ko) 2017-08-14
US20140074763A1 (en) 2014-03-13
US9576240B2 (en) 2017-02-21
US8560465B2 (en) 2013-10-15
US20110004574A1 (en) 2011-01-06

Similar Documents

Publication Publication Date Title
KR101768005B1 (ko) 신축적 컴퓨팅 시스템 및 환경을 포함하는 컴퓨팅 시스템 및 환경에 대한 실행 할당 비용 평가
US8775630B2 (en) Execution allocation cost assessment for computing systems and environments including elastic computing systems and environments
US9052958B2 (en) Extending the capability of computing devices by using dynamically scalable external resources
US10067805B2 (en) Technologies for offloading and on-loading data for processor/coprocessor arrangements
Khoda et al. Efficient computation offloading decision in mobile cloud computing over 5G network
US8601534B2 (en) Securely using service providers in elastic computing systems and environments
US20220351081A1 (en) Model training method and apparatus
US9342349B2 (en) Systems and methods for physical and logical resource profiling, analysis and behavioral prediction
Patel et al. Energy-aware prediction-based load balancing approach with VM migration for the cloud environment
Zhang et al. A survey on decision making for task migration in mobile cloud environments
Mostafavi et al. A stochastic approximation approach for foresighted task scheduling in cloud computing
Majeed et al. Modelling fog offloading performance
Huang et al. Optimal service decomposition for mobile augmented reality with edge cloud support
AU2021102569A4 (en) Intelligent Cloud Bursting Scheduling using Machine Learning.
US11915060B2 (en) Graphics processing management system
KR102284264B1 (ko) 클라우드 시스템 및 그 제어방법
Mei et al. Dynamic outsourcing mobile computation to the cloud
Sung et al. Cloning-based virtual machine pre-provisioning for resource-constrained edge cloud server
Brahmam et al. An investigation of consolidating virtual servers and data centers based on energy consumptions using various algorithms
Huaijun et al. Research and implementation of mobile cloud computing offloading system based on Docker container
Venticinque et al. Reinforcement learning for resource allocation in cloud datacenter
Peng Gscheduler: Reducing mobile device energy consumption
Scionti et al. The green computing continuum: The opera perspective
KR102214231B1 (ko) 오프로딩을 수행하기 위한 모바일 장치 및 그 동작 방법
Shanthi et al. DEOMAC—Decentralized and Energy-Efficient Framework for Offloading Mobile Applications to Clouds

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
GRNT Written decision to grant