在线学习下利用IaaS云的成本最优策略设计
分布式、并行与集群计算
2019-08-13 v7
摘要
许多企业拥有可用于计算任务的小型基础设施，但也经常从云购买额外计算资源。诸如 Amazon EC2 之类的云供应商提供两种购买选项：按需实例和竞价实例（spot instances）。由于租户拥有有限预算来满足其计算需求，确定如何以成本有效的方式购买不同选项并利用它们（加上可能的自有实例）同时遵守其响应时间目标，对他们而言至关重要。在本文中，我们提出一个框架来设计策略，以将自有、按需和竞价实例分配给到达的作业。特别地，我们提出一个近最优策略来确定自有实例的数量，以及一个最优策略来确定每个时间单元需购买的按需实例数量和需竞标的竞价实例数量。我们的策略依赖于少量参数，并且我们使用在线学习技术来推断其最优值。通过数值模拟，我们展示了所提策略的有效性，特别是与先前提出的或直观的策略相比，在考虑竞价和按需实例时实现了高达 64.51% 的成本降低，在考虑自有实例时实现了高达 43.74% 的成本降低。
引用
@article{arxiv.1607.05178,
title = {Towards Designing Cost-Optimal Policies to Utilize IaaS Clouds under Online Learning},
author = {Xiaohu Wu and Patrick Loiseau and Esa Hyytia},
journal= {arXiv preprint arXiv:1607.05178},
year = {2019}
}