L'utilisation des centres de données de cloud computing se développe rapidement pour répondre à l'énorme augmentation de la demande de ressources de calcul haute performance (HPC), de stockage et de mise en réseau pour les applications commerciales et scientifiques. La consolidation des machines virtuelles (VM) implique la migration en direct des VM pour qu'elles s'exécutent sur moins de serveurs physiques, ce qui permet d'éteindre ou d'exécuter davantage de serveurs en mode basse consommation, afin d'améliorer l'efficacité de la consommation d'énergie, les coûts d'exploitation et les émissions de CO2. Une étape cruciale de la consolidation des machines virtuelles est la détection de la surcharge de l'hôte, qui tente de prédire si un serveur physique sera ou non sursouscrit avec des machines virtuelles. Contrairement à la majorité des travaux antérieurs qui utilisent l'utilisation du processeur comme seul indicateur de la surcharge de l'hôte, une étude récente a proposé un algorithme de détection de la surcharge de l'hôte à régression multiple, qui prend en compte plusieurs facteurs : l'utilisation du processeur, de la mémoire et du réseau BW. Ce document fournit d'autres améliorations dans deux directions. Tout d'abord, nous fournissons des algorithmes d'utilisation d'hôte de régression multidimensionnelle (MDRHU) qui combinent l'utilisation du processeur, de la mémoire et du réseau BW via la distance euclidienne (MDRHU-ED) et la sommation absolue (MDRHU-AS), respectivement. Cela conduit à de meilleurs résultats en termes de consommation d'énergie et de violation de l'accord de niveau de service. Deuxièmement, l'étude prend explicitement en compte les charges de travail HPC du monde réel. Notre étude de simulation approfondie illustre davantage la supériorité de nos algorithmes proposés par rapport aux méthodes existantes. En particulier, par rapport à l'algorithme de régression multiple le plus récemment proposé qui est basé sur la relation géométrique (GR), nos algorithmes proposés fournissent une amélioration d'au moins 12 % de la consommation d'énergie et une amélioration d'au moins 80 % d'une métrique qui combine la consommation d'énergie, la violation du niveau de service et le nombre de migrations de VM.

El uso de centros de datos de computación en la nube está creciendo rápidamente para satisfacer el tremendo aumento de la demanda de computación de alto rendimiento (HPC), almacenamiento y recursos de red para aplicaciones empresariales y científicas. La consolidación de máquinas virtuales (VM) implica la migración en vivo de las VM para que se ejecuten en menos servidores físicos y, por lo tanto, permitir que más servidores se apaguen o se ejecuten en modo de bajo consumo, para mejorar la eficiencia del consumo de energía, el costo operativo y la emisión de CO2. Un paso crucial en la consolidación de máquinas virtuales es la detección de sobrecarga de host, que intenta predecir si un servidor físico estará sobresuscrito o no con máquinas virtuales. En contraste con la mayoría de los trabajos anteriores que utilizan la utilización de la CPU como el único indicador de sobrecarga de host, un estudio reciente ha propuesto un algoritmo de detección de sobrecarga de host de regresión múltiple, que tiene en cuenta múltiples factores: CPU, memoria y utilización de BW de red. Este documento proporciona una mejora adicional en dos direcciones. En primer lugar, proporcionamos algoritmos de utilización de host de regresión multidimensional (MDRHU) que combinan la utilización de CPU, memoria y BW de red a través de la distancia euclidiana (MDRHU-ED) y la suma absoluta (MDRHU-AS), respectivamente. Esto conduce a mejores resultados en términos de consumo de energía y violación del acuerdo de nivel de servicio. En segundo lugar, el estudio tiene en cuenta explícitamente las cargas de trabajo de HPC del mundo real. Nuestro extenso estudio de simulación ilustra aún más la superioridad de nuestros algoritmos propuestos sobre los métodos existentes. En particular, en comparación con el algoritmo de regresión múltiple propuesto más recientemente que se basa en la relación geométrica (GR), nuestros algoritmos propuestos proporcionan una mejora de al menos el 12% en el consumo de energía y una mejora de al menos el 80% en una métrica que combina el consumo de energía, la violación del nivel de servicio y el número de migraciones de VM.

The use of cloud computing data centers is growing rapidly to meet the tremendous increase in demand for high-performance computing (HPC), storage and networking resources for business and scientific applications. Virtual machine (VM) consolidation involves the live migration of VMs to run on fewer physical servers, and thus allowing more servers to be switched off or run on low-power mode, as to improve the energy consumption efficiency, operating cost and CO2 emission. A crucial step in VM consolidation is host overload detection, which attempts to predict whether or not a physical server will be oversubscribed with VMs. In contrast to the majority of previous work which use CPU utilization as the sole indicator for host overload, a recent study has proposed a multiple regression host overload detection algorithm, which takes multiple factors into consideration: CPU, memory and network BW utilization. This paper provides further improvement along two directions. First, we provide Multi-Dimensional Regression Host Utilization (MDRHU) algorithms that combine CPU, memory and network BW utilization via Euclidean Distance (MDRHU-ED) and absolute summation (MDRHU-AS), respectively. This leads to improved results in terms of energy consumption and service level agreement violation. Second, the study explicitly takes real-world HPC workloads into consideration. Our extensive simulation study further illustrates the superiority of our proposed algorithms over existing methods. In particular, as compared to the most recently proposed multiple regression algorithm that is based on Geometric Relation (GR), our proposed algorithms provide an improvement of at least 12% in energy consumption, and an improvement of at least 80% in a metric that combines energy consumption, service-level-violation, and number of VM migrations.

ينمو استخدام مراكز بيانات الحوسبة السحابية بسرعة لتلبية الزيادة الهائلة في الطلب على الحوسبة عالية الأداء (HPC) وموارد التخزين والشبكات للأعمال والتطبيقات العلمية. يتضمن دمج الأجهزة الافتراضية (VM) الترحيل المباشر للأجهزة الافتراضية لتشغيلها على عدد أقل من الخوادم المادية، وبالتالي السماح بإيقاف تشغيل المزيد من الخوادم أو تشغيلها على وضع الطاقة المنخفضة، وذلك لتحسين كفاءة استهلاك الطاقة وتكلفة التشغيل وانبعاثات ثاني أكسيد الكربون. تتمثل الخطوة الحاسمة في دمج الأجهزة الافتراضية في اكتشاف الحمل الزائد للمضيف، والذي يحاول التنبؤ بما إذا كان سيتم الاكتتاب الزائد للخادم الفعلي مع الأجهزة الافتراضية أم لا. على النقيض من غالبية الأعمال السابقة التي تستخدم استخدام وحدة المعالجة المركزية كمؤشر وحيد للحمل الزائد للمضيف، اقترحت دراسة حديثة خوارزمية متعددة للكشف عن الحمل الزائد للمضيف الانحدار، والتي تأخذ عوامل متعددة في الاعتبار: استخدام وحدة المعالجة المركزية والذاكرة والشبكة BW. توفر هذه الورقة مزيدًا من التحسين على طول اتجاهين. أولاً، نحن نقدم خوارزميات استخدام مضيف الانحدار متعدد الأبعاد (MDRHU) التي تجمع بين وحدة المعالجة المركزية والذاكرة واستخدام شبكة الأسلحة البيولوجية عبر المسافة الإقليدية (MDRHU - ED) والتجميع المطلق (MDRHU - AS)، على التوالي. وهذا يؤدي إلى تحسين النتائج من حيث استهلاك الطاقة وانتهاك اتفاقية مستوى الخدمة. ثانيًا، تأخذ الدراسة صراحةً في الاعتبار أعباء العمل في مجال الحوسبة عالية الأداء في العالم الحقيقي. توضح دراستنا للمحاكاة الشاملة كذلك تفوق خوارزمياتنا المقترحة على الأساليب الحالية. على وجه الخصوص، بالمقارنة مع خوارزمية الانحدار المتعددة المقترحة مؤخرًا والتي تستند إلى العلاقة الهندسية (GR)، توفر خوارزمياتنا المقترحة تحسينًا بنسبة 12 ٪ على الأقل في استهلاك الطاقة، وتحسينًا بنسبة 80 ٪ على الأقل في مقياس يجمع بين استهلاك الطاقة وانتهاك مستوى الخدمة وعدد هجرات الأجهزة الافتراضية.