CC BY
360
т
Оценка производительности облачных центров обработки данных
Облачные технологии являются новым трендом в области использования вычислительных ресурсов, предоставляющие их как сервис, пользователи которого не обязаны знать особенности реализации приложений и детали системного администрирования. Причем оплата этого сервиса зависит от количества потребленных ресурсов. В связи с тем, что облачные технологии являются относительно новым и стремительно растущим классом сетевых технологий, эффективное распределение виртуальных ресурсов и управление производительностью становятся наиболее важными аспектами. Оценка производительности облачных центров обработки данных (ЦОД) является необходимым требованием для удовлетворения показателей качества, заданных в БЬД-соглашениях. Обсуждаются различные подходы к оценке производительности, такие как измерения с помощью специальных тестовых программ, имитационное и аналитическое моделирование. Рассмотрены модели массового обслуживания облачных ЦОД, которые используются для оценки производительности. Выбор модели массового обслуживания зависит от технологической платформы, модели облачных услуг (БааБ, РааБ, 1ааБ), самих приложений. Однако в литературе отсутствует модель, которая учитывала бы
к-сповас облачные технолог, многоклассовость потока заявок и многозвенную архитектуру приложений, которая является
оценка производительности, распределение преобладающей в настоящее время. Разработана модель массового обслуживания облачного
ресурсов, теория массового обслуживания, ЦОД, учитывающая многозвенность приложений и многоклассовость потока заявок. Д анная
сблтшу! центр обработки данных. модель позволит рассчитать основные показатели производительности облачных ЦОД.
Ворожцов А.С.,
к.т.н., проф. кафедры информационных систем МТУСИ
Тутова Н.В.,
к.т.н., доц. кафедры информационных систем МТУСИ
Тутов А.В.,
аспирант МТУСИ
Облачные технологии можно представить как совокупность трех технологий: виртуализации, распределенных вычислений и потребления по требованию, которые позволяют, с одной стороны, получать максимально гибкие вычислительные ресурсы, а с другой — оптимизировать затраты на них.
Инфраструктура и архитектурные решения центров обработки данных, ориентированных на облачные услуги, обладают рядом общих характерных черт. К таким чертам следует отнести использование типовых серверов стандартной архитектуры, систем хранения с горизонтальной масштабируемостью и широкое применение технологий виртуализации ресурсов. Пример облачного центра обработки данных приведен на рис. 1 [1].
Среди предложенных моделей обслуживания облачных технологий основными могут считаться SaaS (Software as a Service — программное обеспечение как услуга), PaaS (Platform as a Service — платформа как услуга) и IaaS
(Infrastructure as a Service — инфраструктура как услуга). Деление на модели обслуживания произошло в зависимости от того, какую часть облачной информационной системы поддерживает провайдер (рис. 2).
Под производительностью облачного ЦОД понимаются различные показатели качества работы системы, как высокоуровневые: время отклика, пропускная способность, готовность, так и низкоуровневые: производительность
процессора, устройств ввода/выводы и сети. Выбор показателей производительности зависит от задач конкретного исследования.
Оценка и анализ производительности нужны следующим категориям потребителей:
1. Облачным провайдерам для выполнения БЬА-соглашений и оптимального управления ресурсами;
2. Производителям облачных платформ для повышения своей конкурентоспособности.
Infrastructure
(as a Service)
Platform
fas a Service)
Software
(as a Service)
Приложения
Среда исполнения
Промежуточное ПО
Виртуализация
Приложения
Среда исполнения
Промежуточное ПО
Виртуализация
Приложения
Среда исполнения
Промежуточное ПО
Виртуализация
Рис. 2. Модели обслуживания в облачных ЦОД
3. Пользователям для сравнения и выбора лучшей программной и аппаратной платформы для построения своей системы.
Существуют три основных подхода к оценке производительности компьютерных систем и облачных ЦОД в частности: измерения, имитационное и аналитическое моделирование.
Измерения (benchmarking) чаще всего проводятся для сравнения различных облачных платформ и платформ виртуализации с целью выбора лучшей, а также для проверки (валидации) построенных аналитических моделей. Измерения проводятся следующим образом: на компьютерную систему подается заранее оп-
ределенная нагрузка, она может быть искусственной или реальной, взятой из журналов (логов). С помощью специальных программных мониторов фиксируются значения интересующих показателей производительности.
Имитационное моделирование используется для получения показателей производительности, если их сложно получить с помощью аналитического моделирования и проверки достоверности аналитических моделей. Недостатком такого подхода является сложность построения адекватной имитационной модели. Для имитационного моделирования облачных ЦОД используется средство моделирования СЬис&т [2].
Наиболее распространенным подходом к оценке производительности облачных ЦОД является аналитическое моделирование чаще всего с использованием теории массового обслуживания. Целью моделирования является определение таких показателей качества, как среднее время ответа и пропускная способность для дальнейшего распределения виртуальных ресурсов. В литературе разработаны различные модели массового обслуживания облачных ЦОД. В частности, облачный ЦОД моделируется в виде открытых, закрытых, вероятностных СМО и СеМО и различными типами узлов M/M/1/k, M/G/m/k, M/G/m [3-5]. Модель облачного ЦОД в виде многоклассовой СеМО приведена в работе [6]. Модель массового обслуживания в облачных ЦОД с многозвенными приложениями и типами узлов M/M/1 приведена в работе [7]. Однако в литературе отсутствует модель, которая бы учитывала многозвенность web-приложений и мно-гоклассовость запросов.
В настоящее время преобладающей архитектурой web-приложений является многозвенная архитектура, подразумевающая использования web-серверов для представления данных, серверов приложений для реализации логики приложений и серверов баз данных для управления базами данными. Облако с многозвенными приложениями схематично приведены на рис. 3.
Контроллер облака, являясь "главным входом" в облако, устанавливает очередь для каждого размешенного в нем приложения. Кроме этого, контроллер облака создает определенное число виртуальных машин на узлах облака. Под узлом облака понимается физический сервер, на котором запущен монитор виртуальных машин. Первоначальное число создаваемых виртуальных машин задается в соглашении об уровне сервиса (SLA) или определяется опытным путем.
Число непосредственно работающих виртуальных машин может меняться в зависимости от нагрузки. Все виртуальные машины одного звена web-приложения работают на одном или нескольких узлах облака и каждая имеет одинаковый объем физических вычислительных ресурсов. Виртуальные машины, на которых установлен один и тот же экземпляр приложения, образуют виртуальный кластер, не зависимо от физического местоположения виртуальных машин.
Когда клиент посылает запрос web-приложению в облаке, то он попадает к контроллеру облака. Распределитель нагрузки, являясь частью контроллера направляет запрос в очередь к нужному приложению.
Рис. 3. Облачный ЦОД с многозвенными приложениями
т
2. Rajkumar Buyya, Rajiv Ran/an and Rodrigo N. Calheirosl /'Modeling and Simulation of Scalable Cloud Computing Environments and the CloudSim Toolkit: Challenges and Opportunities", Proc. of International Conference on High Performance Computing & Simulation, 2009, June 2009. pp. 1-11.
3. Rodrigo N. Calheiros, Rajiv Ran/an, and Rajkumar Buyya," Virtual Machine Provisioning Based on Analytical Performance and QoS in Cloud Computing Environments", Proc. International Conference on Parallel Processing (ICPP), Sept 201 1, pp. 295-304.
4. Hamzeh Khazaei,. Jelena Misic and Vojislav B Misic, "Modelling of Cloud Computing Centers Using M/G/m Queues", Proc. 2011 31st International Conference on Distributed Computing Workshops, pp.87-92.
5. Матвейчук И.В. Анализ модели облачного ЦОД с динамическим масштабированием ресурсов по числу пользователей. Информационно-телекоммуникационные технологии и математическое моделирование высокотехнологичных систем. http://conf.sci.pfu.edu.ru/index.php/ittmm/ iltmm2013/paper/view/515.
6. Wendy Ellens, Miroslav Zivkovi', Jacob Akkerboom, Remco Litjens, Hans van den Berg. Performance of Cloud Computing Centers with Multiple Priority Classes. In proc. of 2012 IEEE Fifth International Conference on Cloud Computing, pp. 245-252.
7. Jing Bi, Zhiliang Zhu, Ruixiong Tian, Qingbo Wang. Dynamic Provisioning Modeling for Virtualized Multi-tier Applications in Cloud Data Center. Proc. IEEE 3rd International Conference on Cloud Computing, 2010, pp. 370-377.
8. Menasce, D.A., Almeida VA. F, Fonseca R, Mendes M.A., A Methodology for Workload Characterization of E-commerce Sites, Proc. Of ACM E-COMMERCE 99, Denver, Colorado.
Performance evaluation of cloud data centers Vorojcov A.S., Tutova N.V., Tutov A.V., MTUCI, Russia
Abstract. Cloud computing is a new trend for computing resource provision as services in which users are free from the burden of worrying about the low-level implementation or system administration details. It is based on "pay as you go" pricing model. Due to the fact that cloud computing is relatively new and rapidly growing class of network technologies, effective virtual resource allocation and performance evaluation become the most important aspects. Moreover, accurate performance evaluation of cloud data centers is a necessary prerequisite for satisfying quality of service parameters of Service Level Agreements. Different approaches to performance evaluation of cloud computing platforms such as measurement using Benchmark programs, simulation and analytical modeling are discussed. Queueing models for performance evaluation on cloud are considered. The choice of queueing model depends on the cloud platform, cloud model (SaaS, PaaS, IaaS) and applications. However, there is no model, that captures the specific of multi-tier applications with multiclass jobs prevailing nowadays. In this paper, we present the queueing model that takes into account multi-tier applications and multiclass jobs. It allows to evaluate key performance parameters of cloud data centers.
Keywords: oloud computing, performance evaluation, resource provisioning, queuing theory, cloud data center.
References
1. Cloud data center RTCOMM. http://www.r1comm-yug.ru/dc/doud-cod-vmware.htmL
2. Rajkumar Buyya, Rajiv Ranjan and Rodrigo N. Calheiros1,"Modeling and Simulation of Scalable Cloud Computing Environments and the CloudSim Toolkit: Challenges and Opportunities", Proc. of International Conference on High Performance Computing & Simulation, 2009, June 2009. pp. 1-11.
3. Rodrigo N. Calheiros, Rajiv Ranjan, and Rajkumar Buyya," Virtual Machine Provisioning Based on Analytical Performance and QoS in Cloud Computing Environments", Proc. International Conference on Parallel Processing (ICPP), Sept 2011 , pp. 295-304.
4. Hamzeh Khazaei,. Jelena Misic and VojislavB Misic, "Modelling of Cloud Computing Centers Using M/G/m Queues", Proc. 2011 31st International Conference on Distributed Computing Workshops, pp.87-92.
5. Mafveichuk/.V Analysis ofthe model ofthe cloud data centerwith a dynamic scaling ofiesouices on numberofusers. Information and communications technology and mathematical modeling ofhigh-tech systems. http://conf.sci.pfu.edu.ru/index.php/ittmm/ ittmm2013/paper/view/515.
6. Wendy Ellens, Miroslav Zivkovi', Jacob Akkerboom, Remco Litjens, Hans van den Berg. Performance of Cloud Computing Centers with Multiple Priority Classes. In proc. of 2012 IEEE Fifth International Conference on Cloud Computing, pp. 245-252.
7. Jing Bi, Zhiliang Zhu, Ruxiong Tan, Qingbo Wang Dynamic Provisioning Modeling for Virtualized Multi-tier Applications in Cloud Data Center. Proc. IEEE 3rd International Conference on Cloud Computing, 2010, pp. 370-377.
8. Menasce, D. A, Almeida V A. F, Fonseca R, Mendes M. A, A Methodology for Workload Characterization of E-commerce Sites, Proc. Of ACM E-COMMERCE 99, Denver, Colorado.
А'=1
Рис. 4. Модель массового обслуживания облачного ЦОД с многозвенными приложениями
Последовательность запросов одного клиента составляет его сессию. Время обработки различных запросов в сессии может существенно отличаться, поэтому они неоднородны. Последовательности запросов описываются с помощью графов поведения пользователей [8]. Виртуальный кластер моделируется системой массового обслуживания М/Э/1/РБ с дисциплиной обслуживания разделение процессора. В один и тот же момент множество параллельных запросов может обрабатываться контроллером облака и для того, чтобы это учесть используется модель М/М/к с дисциплиной обслуживания FCFS "первым пришел — первым обслужен". Кроме этого для моделирования процесса обдумывания вводится в систему несуществующий сервер с бесконечным числом параллельных независимых обслуживающих устройств. Модель массового обслуживания облачного ЦОД с многозвенными приложениями приведена на рис. 4.
Для данной модели среднее время отклика может быть найдено по формуле:
(1)
где С — число виртуальных кластеров ЦОД; 5с — число виртуальных машин в кластере с; дс — номинальная загрузка кластера с; тС — среднее время ответа на запрос класса к сервером кластера с; /Хк — среднее число
посещений кластера с запросом- класса к за время его нахождения в системе; Тсс—среднее время обслуживания запроса контроллером облака.
Полученное выражение для среднего времени ответа может использоваться для оценки производительности облачного ЦОД с моделью обслуживания БааБ, с учетом многозвенности приложений и многоклассовости запросов.
Литература
1. Облачный центр обработки данных компании РТКомм. http://www.rtcomm-yug.ru/dc/cloud-cod-vmware.html.
к
m
с
ж
