KR20220011322A - 이종 가상화 데이터 센터에서 주변 온도를 고려한 가상 머신 배치 방법 및 장치 - Google Patents

이종 가상화 데이터 센터에서 주변 온도를 고려한 가상 머신 배치 방법 및 장치 Download PDF

Info

Publication number
KR20220011322A
KR20220011322A KR1020200090063A KR20200090063A KR20220011322A KR 20220011322 A KR20220011322 A KR 20220011322A KR 1020200090063 A KR1020200090063 A KR 1020200090063A KR 20200090063 A KR20200090063 A KR 20200090063A KR 20220011322 A KR20220011322 A KR 20220011322A
Authority
KR
South Korea
Prior art keywords
virtual machine
ambient temperature
servers
server
virtual machines
Prior art date
Application number
KR1020200090063A
Other languages
English (en)
Other versions
KR102425505B1 (ko
Inventor
정성우
김선영
최승훈
Original Assignee
고려대학교 산학협력단
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 고려대학교 산학협력단 filed Critical 고려대학교 산학협력단
Priority to KR1020200090063A priority Critical patent/KR102425505B1/ko
Publication of KR20220011322A publication Critical patent/KR20220011322A/ko
Application granted granted Critical
Publication of KR102425505B1 publication Critical patent/KR102425505B1/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]
    • G06F9/5094—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/002—Error detection; Error correction; Monitoring protecting against parasitic influences, e.g. noise, temperatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • 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
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45504—Abstract machines for programme code execution, e.g. Java virtual machine [JVM], interpreters, emulators
    • 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
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • 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
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Control Of Steam Boilers And Waste-Gas Boilers (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Debugging And Monitoring (AREA)

Abstract

본 발명은 이종 가상화 데이터 센터에서 주변 온도를 고려한 가상 머신 배치 장치 및 방법을 개시한다. 본 발명에 따르면, 프로세서 및 상기 프로세서에 연결되는 메모리를 포함하되, 상기 메모리는, 미리 구성된 예측 모델을 이용하여, 복수의 서버 각각의 주변 온도를 고려하여 상기 복수의 서버 각각의 수행 능력을 예측하고, 배치되지 않은 복수의 가상 머신 각각의 특성이 계산 집약적인지 또는 메모리 집약적인지 여부에 따라 상기 복수의 가상 머신 각각을 상기 복수의 서버 중 적어도 하나에 배치하도록, 상기 프로세서에 의해 실행되는 프로그램 명령어들을 저장하는 가상 머신 배치 장치가 제공된다.

Description

이종 가상화 데이터 센터에서 주변 온도를 고려한 가상 머신 배치 방법 및 장치{Ambient temperature aware VM allocation method and apparatus for virtualized heterogeneous data centers}
본 발명은 이종 가상화 데이터 센터에서 주변 온도를 고려한 가상 머신 배치 방법 및 장치에 관한 것이다.
최근 클라우드 환경에서의 딥 러닝(Deep Learning) 기반 서비스들의 출현으로 인해 고성능 컴퓨팅 인프라에 대한 수요가 증가하고 있다. 이러한 수요를 충족시키기 위해 대규모의 데이터 센터가 전 세계적으로 구축되고 있다. 이러한 대규모 데이터 센터의 서버들은 한 번에 교체하는 경우 많은 비용이 들기 때문에 서로 다른 사양의 서버들로 구성되어 있다.
데이터 센터에서는 서로 다른 사양의 서버를 효과적으로 활용하기 위해서 가상화 기술을 적용하여 가상 머신들을 서로 다른 사양의 서버들에서 동작 가능하도록 한다.
데이터 센터의 수요가 증가함에 따라 전력 소모도 매우 증가하고 있다. 데이터 센터에서 소모되는 전력의 큰 구성 요소 중 하나는 CPU (Central Processing Unit)이며, 이는 평균적으로 전체 데이터 센터 전력 소모의 36-44%를 차지한다. 또한 높은 CPU의 전력 소모는 과도한 발열로 이어지게 되며, 이로 인해 일시적인 기능 이상 또는 영구적인 고장으로 이어질 수 있다.
이 때문에 데이터 센터에서는 방열판, 팬, 에어컨 등의 기계식 냉각 솔루션을 사용한다. 하지만 기계식 냉각 솔루션 또한 막대한 양의 전력을 소모한다. 이러한 기계식 냉각 솔루션의 설치 비용 또한 크기 때문에 주로 공기를 활용한 air cooling 솔루션을 적용한다. air cooling 솔루션을 사용하면 CPU의 주변 온도가 실시간으로 변하는데, CPU의 주변 온도가 높으면 CPU의 발열이 심해져 성능 저하가 발생한다.
데이터 센터에서 활용하던 종래의 가상 머신 배치 기술들은 성능이 좋은 서버에 가상 머신들을 모으는 consolidation 기술을 사용한다. 하지만 이러한 방식은 CPU의 발열 문제 및 자원 경합 문제를 초래하기 때문에 데이터 센터의 성능을 저하시켜, 사용자들의 서비스 이용 만족도를 하락시키는 문제를 야기한다.
이러한 발열 및 자원 경합 문제를 해결하기 위해 최근의 데이터 센터들은 가상 머신들을 분산하여 배치하는 Load balancing 기반의 가상 머신 배치 기술을 사용한다. Load balancing 기반의 가상 머신 배치 기술은 데이터 센터의 서버들에 가상 머신들을 나누어 배치하여 하나의 서버에 과도하게 가상 머신이 배치되어 발생하는 발열 및 자원 경합 문제를 어느 정도 해소한다.
하지만, 이러한 Load balancing 기반의 가상 머신 배치 기술 또한 이를 온전히 해소할 수 없다.
KR 등록특허 10-1261354
상기한 종래기술의 문제점을 해결하기 위해, 본 발명은 서버의 주변 온도와 가상 머신의 특성을 고려하여 가상 머신을 효율적으로 배치할 수 있는 이종 가상화 데이터 센터에서 주변 온도를 고려한 가상 머신 배치 방법 및 장치를 제안하고자 한다.
상기한 바와 같은 목적을 달성하기 위하여, 본 발명의 일 실시예에 따르면, 이종 가상화 데이터 센터에서 주변 온도를 고려한 가상 머신 배치 장치로서, 프로세서; 및 상기 프로세서에 연결되는 메모리를 포함하되, 상기 메모리는, 미리 구성된 예측 모델을 이용하여, 복수의 서버 각각의 주변 온도를 고려하여 상기 복수의 서버 각각의 수행 능력을 예측하고, 배치되지 않은 복수의 가상 머신 각각의 특성이 계산 집약적인지 또는 메모리 집약적인지 여부에 따라 상기 복수의 가상 머신 각각을 상기 복수의 서버 중 적어도 하나에 배치하도록, 상기 프로세서에 의해 실행되는 프로그램 명령어들을 저장하는 가상 머신 배치 장치가 제공된다.
상기 예측 모델은, 선형 회귀를 통해 결정되는 서버의 주변 온도, 서버의 최고 CPU 주파수 및 CPU 사용률과 서버의 수행 능력과의 상관식으로 정의될 수 있다.
상기 프로그램 명령어들은, 상기 주변 온도를 고려하여 수행 능력이 높은 것으로 예측되는 서버 순으로 계산 집약도가 높은 가상 머신을 순차적으로 배치할 수 있다.
상기 프로그램 명령어들은, 미리 설정된 임계값과, 복수의 가상 머신 각각의 LLC MPKI(Last Level Cache Misses Per Kilo instructions)를 비교하여 상기 복수의 가상 머신 각각이 계산 집약적인지 또는 메모리 집약적인지 여부를 판단할 수 있다.
상기 프로그램 명령어들은, 수행 능력이 가장 높은 것으로 예측되는 서버에 계산 집약도가 가장 높은 가상 머신과 메모리 집약도가 가장 높은 가상 머신을 동시에 배치할 수 있다.
본 발명의 다른 측면에 따르면, 프로세서 및 메모리를 포함하는 장치에서 주변 온도를 고려하여 가상 머신을 배치하는 방법으로서, 미리 구성된 예측 모델을 이용하여, 복수의 서버 각각의 주변 온도를 고려하여 상기 복수의 서버 각각의 수행 능력을 예측하는 단계; 및 배치되지 않은 복수의 가상 머신 각각의 특성이 계산 집약적인지 또는 메모리 집약적인지 여부에 따라 상기 복수의 가상 머신 각각을 상기 복수의 서버 중 적어도 하나에 배치하는 단계를 포함하는 가상 머신 배치 방법이 제공된다.
본 발명의 또 다른 측면에 따르면 상기한 방법을 수행하는 컴퓨터 판독 가능한 프로그램이 제공된다.
본 발명에 따르면, 서버의 주변 온도를 고려하여 수행 능력을 예측하고, 예측된 수행 능력과 가상 머신의 특성을 고려하여 복수의 가상 머신을 배치하기 때문에 처리 속도를 한층 향상시킬 수 있다.
도 1은 본 실시예에 따른 주변 온도를 고려한 서버의 수행 능력 예측 과정을 도시한 도면이다.
도 2는 메모리 접근율에 따라 가상 머신 마이그레이션 수행 시간을 도시한 것이다.
도 3은 본 실시예에 따른 가상 머신 배치를 위한 매니저를 도시한 도면이다.
도 4는 본 실시예에 따른 가상 머신 배치 과정을 설명하기 위한 도면이다.
도 5는 서로 다른 유형 및 주변 온도를 갖는 서버에 복수의 가상 머신을 배치하는 과정을 설명하기 위한 도면이다.
도 6은 종래의 기법과 본 실시예에 따른 본 실시예에 따른 가상 머신 배치 방법을 비교한 도면이다.
도 7은 VM 특성을 고려한 Load balancing 기법과 본 실시예에서의 VM 수행 속도를 나타낸 도면이다.
도 8은 종래기술과 본 실시예에 따른 방법으로 가상 머신을 배치한 경우의 CPU 칩 자체의 온도를 나타낸 것이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다.
그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명은 서버의 주변 온도와 가상 머신들의 특성을 고려하여 가상 머신들을 데이터 센터의 서버들에 적절히 배치하고, 이를 통해 서버들의 평균 온도를 낮추어 가상 머신 위에서 동작하는 어플리케이션들의 성능 및 에너지 효율을 향상시킨다.
본 실시예에 따르면, 서버들의 주변 온도를 고려하여 수행 능력을 미리 예측하고, 예측된 수행 능력을 기반으로 가상 머신들의 특성에 따라 적절히 가상 머신들을 서버들에 배치한다.
본 실시예에 따른 기법의 효율은 서버의 주변 온도를 고려하여 각 서버의 수행 능력 예측 정확도에 따라 달라진다.
도 1은 본 실시예에 따른 주변 온도를 고려한 서버의 수행 능력 예측 과정을 도시한 도면이다.
도 1을 참조하면, 각 서버의 주변 온도, 사양(최고 CPU 주파수) 및 CPU 사용률을 활용하여 선형 회귀를 통해 주변 온도를 고려한 서버의 수행 능력에 관한 예측 모델을 구성한다.
수행 능력 예측 모델은 다음과 같다.
Figure pat00001
여기서,
Figure pat00002
는 서버의 주변 온도를 고려하여 예측된 서버의 수행 능력
Figure pat00003
는 서버의 주변 온도,
Figure pat00004
는 서버의 최대 CPU 주파수,
Figure pat00005
는 CPU 사용률이다.
Figure pat00006
는 서버의 수행 능력을 구하기 위해, 상기한 3가지 지표에 곱해지는 계수이다.
즉, 본 실시예에 따른 예측 모델은, 선형 회귀를 통해 결정되는 서버의 주변 온도, 서버의 최고 CPU 주파수 및 CPU 사용률과 서버의 수행 능력과의 상관식으로 정의될 수 있다.
선형 회귀를 통해 상기한 계수를 결정하여 구성한 예측 모델을 통해 실시간으로 주변 온도를 고려한 서버의 수행 능력을 예측하여 가상 머신을 배치할 때 사용한다.
일반적으로 데이터 센터에는 서로 다른 사양의 서버가 존재하고, 이들은 서로 다른 주변 온도를 갖는다.
이러한 데이터 센터에서는 주로 높은 사양의 서버가 자주 사용되어 높은 주변 온도를 보이게 되는데, 서버의 높은 주변 온도는 수행 능력을 저하시킨다.
본 실시예에 따른 서버의 주변 온도는 CPU 칩 자체 온도가 아니라, CPU 칩의 발열에 의한 CPU 칩의 주변 온도로 정의된다.
본 발명에서 서버의 주변 온도를 고려하는 것은, 서버의 주변 온도가 높을수록 CPU 칩 자체의 온도가 높을뿐만 아니라, CPU 칩의 냉각 효율이 낮아지고, 이에 따라 CPU의 성능이 낮아질 것으로 예상하기 때문이다.
도 2는 메모리 접근율에 따라 가상 머신 마이그레이션 수행 시간을 도시한 것이다.
도 2를 참조하면, i7-7700 서버의 사양은 i7-6700 서버보다 좋지만, 주변 온도가 높은 경우 i7-6700 서버의 주변 온도가 낮은 경우보다 성능이 낮아진다. i7-9700 서버의 경우, 주변 온도가 높더라도 같은 CPU 사용률에서는 다른 서버들에 비해 성능이 항상 좋다. 따라서, 가상 머신을 배치할 때 서버의 주변 온도, 사양, 사용률에 따라 서버의 실제 수행 능력을 정확하게 예측하여 가상 머신에 가장 좋은 성능을 보이는 서버에 가상 머신을 배치하는 것이 적절하다.
CPU 주파수는 서버의 수행 능력과 직접 관련되며, 서버의 CPU 주파수는 서버의 사양에 따라 결정된다.
CPU 사용률은 실시간으로 변하며, 가상 머신을 배치할수록 CPU 사용률이 높아진다.
CPU 사용률이 높아지면 발열이 심해지고, 많은 가상 머신이 배치되면 가상 머신 간의 간섭으로 수행 능력이 떨어진다.
본 실시예에 따르면, 상기한 3가지 지표와 서버의 실제 수행 능력과의 상관 관계를 분석하며, 선형 회귀를 통해 3가지 지표 각각에 대한 계수를 결정하여 수행 능력 예측 모델을 생성한다.
또한, 가상 머신의 특성에 따라 주변 온도에 영향을 받는 정도가 달라질 수 있다.
본 실시예에 따르면, 가상 머신의 계산 집약도 및 메모리 집약도를 고려하여 복수의 서버에 가상 머신을 배치한다.
가상 머신이 계산 집약적인 경우 메모리 집약적인 경우보다 발열이 심해지기 때문에 계산 집약적인 가상 머신을 높은 수행 능력을 가진 서버에 배치하는 것이 바람직하다.
서버의 수행 능력을 예측하고, 주변 온도를 고려하여 가상 머신을 배치하기 위해서는 매니저가 필요하다.
도 3은 본 실시예에 따른 가상 머신 배치를 위한 매니저를 도시한 도면이다.
도 3에 도시된 바와 같이, 본 실시예에 따른 매니저들은 PM(물리 서버) 매니저(300), VM(가상 머신) 매니저(302) 및 정보 매니저(Information manager, 304)를 포함할 수 있다.
상기한 매니저들은 프로세서 및 이에 연결되는 메모리를 포함하는 컴퓨팅 장치에서 수행되는 프로그램 명령어들일 수 있다.
본 실시예에 따른 프로그램 명령어들은 상기한 매니저들과 연동하여 미리 구성된 예측 모델을 이용하여, 복수의 서버 각각의 주변 온도를 고려하여 상기 복수의 서버 각각의 수행 능력을 예측하고, 배치되지 않은 복수의 가상 머신 각각의 특성이 계산 집약적인지 또는 메모리 집약적인지 여부를 고려하여 상기 복수의 가상 머신 각각을 상기 복수의 서버 중 적어도 하나에 배치한다.
이하에서는 본 실시예에 따른 가상 머신 배치를 위한 매니저들에 대해 상세하게 설명한다.
PM 매니저(300)는 서버의 온/오프 등의 실제 동작을 관리하는 매니저이다.
VM 매니저(302)는 가상 머신을 생성하고, 가상 머신의 특성을 파악한다.
정보 매니저(Information manager, 304)는 서버와 가상 머신에 관련된 정보들을 저장하고 이를 관리한다.
본 실시예에 따른 정보 매니저(304)는 서버의 주변 온도를 고려한 수행 능력을 예측하기 위한 정보들(주변 온도, 사양 및 사용률)을 저장한다.
VM 매니저(302)는 가상 머신의 LLC MPKI(Last Level Cache Misses Per Kilo instructions)를 통해 가상 머신의 특성을 파악한다.
VM 매니저(302)는 각 가상 머신의 LLC MPKI가 미리 설정된 임계치를 넘지 않는 경우, 계산 집약적인 것으로 판단하며, 그렇지 않은 경우 메모리 집약적인 것으로 판단한다.
가상 머신이 계산 집약적인 경우 예측된 수행 능력이 가장 높은 서버에 해당 가상 머신을 배치하며, 그 다음 메모리 집약적인 가상 머신들을 수행 능력이 높은 서버들에 분산하여 배치한다.
도 4는 본 실시예에 따른 가상 머신 배치 과정을 설명하기 위한 도면이다.
우선, 오프라인(offline)에서 주변 온도를 고려한 서버의 실제 수행 능력을 예측하기 위한 모델을 생성한다(단계 400).
여기서, 단계 400은 수행 능력 예측을 위한 각 지표들의 계수를 결정하는 과정일 수 있다.
또한, 가상 머신의 특성을 분류하기 위한 임계값(threshold)을 설정한다(단계 402).
여기서, 임계값은 가상 머신의 LLC MPKI에 대한 값일 수 있다.
다음으로, 본 실시예에 따른 가상 머신 배치 장치는 정보 매니저(302)에 저장된 서버들의 상태 및 미리 구성된 수행 능력 예측 모델을 이용하여 주변 온도를 고려한 서버의 실제 수행 능력을 실시간으로 예측하고(단계 404), 단계 402에서 설정된 임계값과 VM 매니저(304)에서 생성한 가상 머신의 특성을 고려하여 배치되지 않은 가상 머신들의 특성을 분류한다(단계 406).
이후, 가상 머신 배치 장치는 가상 머신의 특성에 따라 이들을 서버에 배치한다(단계 408).
본 실시예에서는, 배치되지 않은 가상 머신들 중 계산 집약도가 높은 가상 머신부터 순차적으로 배치한다. 만약 배치될 가상 머신이 계산 집약도 높을 경우, 서버들 중 예측된 주변 온도를 고려한 수행 능력이 가장 높은 것으로 예측되는 서버에 해당 가상 머신을 배치한다.
이후, 배치된 가상 머신을 고려하여 다시 모든 서버들의 주변 온도를 고려한 수행 능력을 예측한다. 만약 배치될 가상 머신이 메모리 집약도가 높을 경우, 남은 메모리 집약적인 가상 머신들은 주변 온도를 고려하여 가장 수행 능력을 가진 서버부터 순차적으로 분산하여 가상 머신을 배치한다.
즉, 가장 높은 수행 능력을 갖는 서버에 계산 집약도가 높은 가상 머신이 미리 배치되어 있더라도 다른 특성을 갖는 메모리 집약도가 높은 가상 머신이 동시에 배치될 수 있다.
도 5는 서로 다른 유형 및 주변 온도를 갖는 서버에 복수의 가상 머신을 배치하는 과정을 설명하기 위한 도면이다.
도 5에서, Type 1 PM 내지 Type 3 PM의 사양 및 주변 온도는 표 1과 같으며, 여기에 배치할 가상 머신의 상세 내용은 표 2와 같다.
Type 1 PM Type 2 PM Type 3 PM
CPU Intel Core i7-9700, 4.7GHz Intel Core i7-7700, 4.2GHz Intel Core i7-6700, 4.0GHz
# of CPU cores 8 4 4
Ambient 50℃ 50℃ 30℃
RAM DDR4 16GB
vCPU/VM 1
RAM/VM 4GB
Kernel Linux 4.15.0
Hypervisor QEMU/KVM 2.6.2
Set Number Workloads (Ascending order of LLC MPKI)
Workload 1
(VM1)		 Workload 2
(VM2)		 Workload 3
(VM3)		 Workload 4
(VM4)
Set_1 hmmer tonto gobmk wrf
Set_2 povray gromacs namd bwaves
Set_3 hmmer tonto bzip2 mcf
Set_4 h264ref gobmk sphinx3 milc
Set_5 tonto gobmk astar mcf
Set_6 hmmer wrf xalancbmk milc
Set_7 tonto astar milc mcf
Set_8 hmmer gcc xalancbmk milc
표 1을 참조하면, 서버의 사양은 Type 1가 가장 높고 이후 Type 3 순으로 낮으며, 주변 온도는 Type 1 및 2는 50℃이고, Type 3는 30℃이다.
또한, 표 2에서 VM 1이 계산 집약도가 가장 높고 VM 2 내지 VM 4 순으로 계산 집약도는 낮고, 메모리 집약도는 높은 가상 머신을 나타낸 것이다.
도 5를 참조하면, 종래의 Consolidation 기법은 VM의 특성을 전혀 고려하지 않고 복수의 가상 머신을 사양이 가장 높은 서버에 배치한다.
또한, 종래의 Load balancing 기법 역시 VM의 특성을 고려하지 않고 복수의 가상 머신을 사양이 높은 서버에 분산하여 배치한다.
VM 특성을 고려한 Load balancing 기법은 가상 머신의 특성을 고려하여 계산 집약도가 높은 제1 및 제2 가상 머신을 가장 사양이 높은 제1 서버에 배치하고, 그 다음 계산 집약도 순으로 제2 및 제3 서버에 가상 머신을 배치한다.
반면, 본 실시예에 따른 가상 머신 배치 기법(Ambient-aware VM allocation Technique)은 서버의 사양 및 사용률뿐만 아니라, 주변 온도까지 고려하여 수행 능력을 예측하고 예측 결과에 따라 가상 머신을 배치한다.
여기서, 계산 집약도가 높은 제1 가상 머신(VM 1)을 제1 서버(Type 1 PM)에 배치한다.
다음으로, 계산 집약적인 제2 및 제3 가상 머신(VM 2 및 VM 3)을 제2 서버(Type 2 PM)가 아닌 복수의 제3 서버(Type 3 PM)에 배치한다.
제2 서버가 제3 서버에 비해 사양이 높다하더라도 주변 온도가 50℃인 경우, 그 수행 능력이 주변 온도가 30℃인 제3 서버에 비해 낮을 수 있으며, 이러한 점을 고려하여 제1 가상 머신 다음으로 계산 집약도가 높은 제2 및 제3 가상 머신을 복수의 제3 서버에 배치한다.
마지막으로, 메모리 집약적인 제4 가상 머신은 가상 머신의 특성이 중복되지 않은 제1 서버에 배치된다.
도 6은 종래의 기법과 본 실시예에 따른 본 실시예에 따른 가상 머신 배치 방법을 비교한 도면이다.
도 6을 참조하면, 본 실시예에서와 같이 주변 온도를 고려하여 예측된 수행 능력에 따라 가상 머신을 배치하는 경우, cosolidation, Load balancing 및 VM 특성을 고려한 Load balancing에 비해 각각 31.6%, 7.8% 및 7.0% 속도가 향상되는 것을 확인할 수 있다.
도 7은 VM 특성을 고려한 Load balancing 기법과 본 실시예에서의 VM 수행 속도를 나타낸 도면이다.
도 7을 참조하면, 제1 가상 머신(VM 1)에 대해서는 비슷한 성능을 보이고 있으나, 본 실시예에 따른 방법이 VM 특성을 고려한 Load balancing 기법에 비해 가상 머신 수행 속도가 높아지는 것을 알 수 있다.
구체적으로 본 실시예에 따른 방법은 종래기술에 비해 제2, 제3 및 제4 가상 머신의 처리 속도를 4.9%, 11.8% 및 12.3% 높인다.
도 8은 종래기술과 본 실시예에 따른 방법으로 가상 머신을 배치한 경우의 CPU 칩 자체의 온도를 나타낸 것이다.
도 8에 도시된 바와 같이, 본 실시예에 따른 방법으로 가상 머신을 배치하는 경우, CPU 칩의 온도를 낮출 수 있으며, 최고 온도가 임계 온도(critical temperature)를 넘지 않아 CPU의 성능을 보장할 수 있다.
상기한 본 발명의 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대한 통상의 지식을 가지는 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.

Claims (7)

  1. 이종 가상화 데이터 센터에서 주변 온도를 고려한 가상 머신 배치 장치로서,
    프로세서; 및
    상기 프로세서에 연결되는 메모리를 포함하되,
    상기 메모리는,
    미리 구성된 예측 모델을 이용하여, 복수의 서버 각각의 주변 온도를 고려하여 상기 복수의 서버 각각의 수행 능력을 예측하고,
    배치되지 않은 복수의 가상 머신 각각의 특성이 계산 집약적인지 또는 메모리 집약적인지 여부에 따라 상기 복수의 가상 머신 각각을 상기 복수의 서버 중 적어도 하나에 배치하도록,
    상기 프로세서에 의해 실행되는 프로그램 명령어들을 저장하는 가상 머신 배치 장치.
  2. 제1항에 있어서,
    상기 예측 모델은, 선형 회귀를 통해 결정되는 서버의 주변 온도, 서버의 최고 CPU 주파수 및 CPU 사용률과 서버의 수행 능력과의 상관식으로 정의되는 가상 머신 배치 장치.
  3. 제1항에 있어서,
    상기 프로그램 명령어들은,
    상기 주변 온도를 고려하여 수행 능력이 높은 것으로 예측되는 서버 순으로 계산 집약도가 높은 가상 머신을 순차적으로 배치하는 가상 머신 배치 장치.
  4. 제1항에 있어서,
    상기 프로그램 명령어들은,
    미리 설정된 임계값과, 복수의 가상 머신 각각의 LLC MPKI(Last Level Cache Misses Per Kilo instructions)를 비교하여 상기 복수의 가상 머신 각각이 계산 집약적인지 또는 메모리 집약적인지 여부를 판단하는 가상 머신 배치 장치.
  5. 제1항에 있어서,
    상기 프로그램 명령어들은,
    수행 능력이 가장 높은 것으로 예측되는 서버에 계산 집약도가 가장 높은 가상 머신과 메모리 집약도가 가장 높은 가상 머신을 동시에 배치하는 가상 머신 배치 장치.
  6. 프로세서 및 메모리를 포함하는 장치에서 주변 온도를 고려하여 가상 머신을 배치하는 방법으로서,
    미리 구성된 예측 모델을 이용하여, 복수의 서버 각각의 주변 온도를 고려하여 상기 복수의 서버 각각의 수행 능력을 예측하는 단계; 및
    배치되지 않은 복수의 가상 머신 각각의 특성이 계산 집약적인지 또는 메모리 집약적인지 여부에 따라 상기 복수의 가상 머신 각각을 상기 복수의 서버 중 적어도 하나에 배치하는 단계를 포함하는 가상 머신 배치 방법.
  7. 제6항에 따른 방법을 수행하는 컴퓨터 판독 가능한 프로그램.
KR1020200090063A 2020-07-21 2020-07-21 이종 가상화 데이터 센터에서 주변 온도를 고려한 가상 머신 배치 방법 및 장치 KR102425505B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200090063A KR102425505B1 (ko) 2020-07-21 2020-07-21 이종 가상화 데이터 센터에서 주변 온도를 고려한 가상 머신 배치 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200090063A KR102425505B1 (ko) 2020-07-21 2020-07-21 이종 가상화 데이터 센터에서 주변 온도를 고려한 가상 머신 배치 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20220011322A true KR20220011322A (ko) 2022-01-28
KR102425505B1 KR102425505B1 (ko) 2022-07-25

Family

ID=80051229

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200090063A KR102425505B1 (ko) 2020-07-21 2020-07-21 이종 가상화 데이터 센터에서 주변 온도를 고려한 가상 머신 배치 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102425505B1 (ko)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101261354B1 (ko) 2012-02-29 2013-05-07 국민대학교산학협력단 가상화 기반의 ｃｐｕ 쿨링 제어 방법 및 이를 수행하는 컴퓨팅 장치
KR20130074952A (ko) * 2011-12-27 2013-07-05 한국과학기술정보연구원 클라우드 컴퓨팅 시스템 가이드 제공 장치 및 방법
KR20130075377A (ko) * 2011-12-27 2013-07-05 서강대학교산학협력단 가상화 환경에서 프로세서를 할당하는 장치 및 방법
KR20190009694A (ko) * 2017-07-19 2019-01-29 삼성전자주식회사 멀티-티어 올-플래시 데이터센터의 자동 데이터 배치 관리자
KR20190090356A (ko) * 2018-01-24 2019-08-01 고려대학교 산학협력단 기계학습 알고리즘 기반 cpu 온도 예측 방법 및 장치
KR101990411B1 (ko) * 2017-12-26 2019-10-01 경희대학교 산학협력단 클라우드 시스템에서의 우선 순위 기반 자원 스케일링 시스템, 장치 및 방법
KR20190122897A (ko) * 2017-07-10 2019-10-30 아피니티 유럽 테크놀로지즈 리미티드 태스크 할당 시스템에서 예상 성능을 추정하기 위한 기술들
KR102109088B1 (ko) * 2019-09-05 2020-05-12 오케스트로 주식회사 가상 머신 예측 워크 로드 산출 방법 및 이를 구현하는 예측 장치

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130074952A (ko) * 2011-12-27 2013-07-05 한국과학기술정보연구원 클라우드 컴퓨팅 시스템 가이드 제공 장치 및 방법
KR20130075377A (ko) * 2011-12-27 2013-07-05 서강대학교산학협력단 가상화 환경에서 프로세서를 할당하는 장치 및 방법
KR101261354B1 (ko) 2012-02-29 2013-05-07 국민대학교산학협력단 가상화 기반의 ｃｐｕ 쿨링 제어 방법 및 이를 수행하는 컴퓨팅 장치
KR20190122897A (ko) * 2017-07-10 2019-10-30 아피니티 유럽 테크놀로지즈 리미티드 태스크 할당 시스템에서 예상 성능을 추정하기 위한 기술들
KR20190009694A (ko) * 2017-07-19 2019-01-29 삼성전자주식회사 멀티-티어 올-플래시 데이터센터의 자동 데이터 배치 관리자
KR101990411B1 (ko) * 2017-12-26 2019-10-01 경희대학교 산학협력단 클라우드 시스템에서의 우선 순위 기반 자원 스케일링 시스템, 장치 및 방법
KR20190090356A (ko) * 2018-01-24 2019-08-01 고려대학교 산학협력단 기계학습 알고리즘 기반 cpu 온도 예측 방법 및 장치
KR102109088B1 (ko) * 2019-09-05 2020-05-12 오케스트로 주식회사 가상 머신 예측 워크 로드 산출 방법 및 이를 구현하는 예측 장치

Also Published As

Publication number Publication date
KR102425505B1 (ko) 2022-07-25

Similar Documents

Publication Publication Date Title
US7992151B2 (en) Methods and apparatuses for core allocations
US7818594B2 (en) Power efficient resource allocation in data centers
Feller et al. Energy management in IaaS clouds: a holistic approach
Nishimura et al. Virtual clusters on the fly-fast, scalable, and flexible installation
US9152200B2 (en) Resource and power management using nested heterogeneous hypervisors
US10664040B2 (en) Event-driven reoptimization of logically-partitioned environment for power management
US20110145555A1 (en) Controlling Power Management Policies on a Per Partition Basis in a Virtualized Environment
US20200267071A1 (en) Traffic footprint characterization
US20200341789A1 (en) Containerized workload scheduling
Oh et al. Enabling consolidation and scaling down to provide power management for cloud computing
Min et al. Vmmb: Virtual machine memory balancing for unmodified operating systems
Takeda et al. A rank-based vm consolidation method for power saving in datacenters
Versick et al. Reducing energy consumption by load aggregation with an optimized dynamic live migration of virtual machines
Kinger et al. Prediction based proactive thermal virtual machine scheduling in green clouds
Pang et al. Adaptive preference-aware co-location for improving resource utilization of power constrained datacenters
KR102425505B1 (ko) 이종 가상화 데이터 센터에서 주변 온도를 고려한 가상 머신 배치 방법 및 장치
Thiam et al. Energy efficient cloud data center using dynamic virtual machine consolidation algorithm
Singh et al. Towards VM consolidation using a hierarchy of idle states
Cheng et al. Smart VM co-scheduling with the precise prediction of performance characteristics
US11182183B2 (en) Workload placement using conflict cost
Kenga et al. Energy consumption in cloud computing environments
Yang et al. Implementation of cloud infrastructure monitor platform with power saving method
Singh et al. Energy efficient virtual machine placement technique using banker algorithm in cloud data centre
Cheng et al. Smart VM co-scheduling with the precise prediction of performance characteristics
Tsafack Chetsa et al. A three step blind approach for improving high performance computing systems' energy performance

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant