面向利用IaaS云的成本最优DAG策略与在线学习
性能
2021-06-04 v1
摘要
主流云服务提供商(CSP)提供两类购买选项，即按需实例与竞价实例，其在可用性与价格上具有时变特征。诸如初创企业等用户必须在有限预算下运营，而其他用户同样希望降低成本。在与CSP交互时，其核心关切是如何高性价比地利用不同购买选项，可能还辅以自有实例。数据密集型应用中的作业通常由有向无环图表示，并可进一步转化为任务链。实现成本效率的关键在于确定每个任务的截止时间分配，以及不同类型实例向该任务的分配。本文提出一个框架，确定任务截止时间的最优分配。该框架还具备在预定义时间窗内确定竞价与按需实例分配的最优策略，以及分配自有实例的近最优策略。这些策略被设计为参数化以支持使用在线学习来推断针对云市场动态的最优值。最后，采用若干直观启发式方法作为基线以验证所提方案带来的成本改进。我们表明，在考虑竞价与按需实例时，相较最先进方法的成本改进高达24.87%；在考虑自有实例时高达59.05%。
引用
@article{arxiv.2106.01847,
title = {Towards Cost-Optimal Policies for DAGs to Utilize IaaS Clouds with Online Learning},
author = {Xiaohu Wu and Han Yu and Giuliano Casale and Guanyu Gao},
journal= {arXiv preprint arXiv:2106.01847},
year = {2021}
}