CMI：面向云基础设施中不可靠虚拟机的科学与工程工作流在线多目标遗传自动伸缩器
神经与进化计算
2018-11-05 v1 分布式、并行与集群计算
摘要
云计算正成为执行科学与工程工作流的主导范式。其所建模实验的大规模特性及其可变的工作负载，使得云因能够即时弹性地访问海量计算资源而成为理想执行环境。自动伸缩器是中间件层软件组件，可在工作流任务被调度的同时，通过获取或终止虚拟机（VM）来扩展或缩减计算平台。本文提出一种新颖的面向工作流的在线多目标自动伸缩器，称为云多目标智能（CMI），旨在最小化完工时间、货币成本以及由不可靠VM引发的错误的潜在影响。此外，该问题受货币预算约束。CMI负责周期性地求解工作流执行过程中遇到的自动伸缩问题。在四个知名工作流上的仿真实验表明，CMI显著优于具有相似特征的名为现货实例感知自动伸缩（SIAA）的先进自动伸缩器。这些结果为深入研究使用廉价但不可靠基础设施的元启发式工作流应用自动伸缩方法奠定了坚实基础。
引用
@article{arxiv.1811.00989,
title = {CMI: An Online Multi-objective Genetic Autoscaler for Scientific and Engineering Workflows in Cloud Infrastructures with Unreliable Virtual Machines},
author = {David A. Monge and Elina Pacini and Cristian Mateos and Enrique Alba and Carlos García Garino},
journal= {arXiv preprint arXiv:1811.00989},
year = {2018}
}
备注
19 pages, 3 figures