Балансировка нагрузки в системе Unihub на основе предсказания поведения пользователей
https://doi.org/10.15514/ISPRAS-2015-27(5)-2
Аннотация
Разработанная в ИСП РАН программная система Unihub является облачной вычислительной системой типа SaaS и предоставляет пользователям возможность удаленной работы через Web-браузер с интерактивными графическими Linux-приложениями, запускаемыми в изолированных Docker контейнерах. Контейнеры имеют динамические требования к вычислительным ресурсам. Обычный способ размещения, при котором контейнеры распределяются равномерно по всем имеющимся в распоряжении серверам, приводит к неравномерной загрузке системы: некоторые сервера перегружены, а некоторые простаивают. В данной работе мы предлагаем собирать данные о поведении пользователей и характере работы различных приложений с целью прогнозирования создаваемой контейнерами нагрузки. Наши наблюдения показывают, что полученная информация позволяет равномернее загрузить имеющееся в распоряжении оборудование и увеличить предельную производительность системы в целом.
Список литературы
1. Atkeson C., Moore A., Schaal S. Locally weighted learning. Artificial Intelligence Review. 1997. № 1-5 (11). C. 11-73.
2. Blum A. On-line algorithms in machine learning Springer, 1996. 306-325 с.
3. Deboosere L. [и др.]. Cloud-based desktop services for thin clients. Internet Computing, IEEE. 2012. № 6 (16). C. 60-67.
4. Jiang Y. [и др.]. ASAP: A self-adaptive prediction system for instant cloud resource demand provisioning 2011. 1104-1109 с.
5. Kavulya S. [и др.]. An analysis of traces from a production mapReduce cluster 2010. 94-103 с.
6. Nguyen T.-D. [и др.]. Prediction-based energy policy for mobile virtual desktop infrastructure in a cloud environment. Inf. Sci. 2015. № C (319). C. 132-151.
7. Smith W. Prediction services for distributed computing 2007. 1-10 с.
8. Suznjevic M., Skorin-Kapov L., Humar I. User behavior detection based on statistical traffic analysis for thin client services Advances in intelligent systems and computing. Под ред. Á. Rocha [и др.]., Springer International Publishing, 2014. 247-256 с.
9. Wilson D.R., Martinez T.R. Improved heterogeneous distance functions. J. Artif. Int. Res. 1997. № 1 (6). C. 1-34.
10. Unihub: Технологическая платформа программы университетский кластер. http://unihub.ru.
11. Docker: An open platform for distributed applications for developers and sysadmins. http://www.docker.com.
12. CRIU: A project to implement checkpoint/restore functionality for linux in userspace. http://criu.org/Docker.
13. Mohammadi F., Jamali S., Bekvari M., Survey on Job Scheduling algorithms in Cloud Computing, Int. Journal of Emergency Trends of Technology in Computer Science, 2014, v. 3, Issue 2, C. 151-154.
14. Tian W., Zhao E., Zhong V., Xu M., Jing C., A dynamic and integrated load-balancing scheduling algorithm for cloud datacenters, Cloud computing and Intelligence Systems (CCIS), 2011, IEEE Int. Conference15-17 September 2011, C. 311-315.
15. Duy T.V.T., Sato Y., Inogushi Y., Performance evaluation of a green scheduling algorithm for energy savings in cloud computing, Parallel and Distributed Processing, Workshops and PhD forum, Atlanta, 19-23 April 2010, C. 1-8.
Рецензия
Для цитирования:
Грушин Д.А., Кузюрин Н.Н. Балансировка нагрузки в системе Unihub на основе предсказания поведения пользователей. Труды Института системного программирования РАН. 2015;27(5):23-34. https://doi.org/10.15514/ISPRAS-2015-27(5)-2
For citation:
Grushin D.A., Kuzyurin N.N. Load balancing in Unihub SaaS system based on user behavior prediction. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS). 2015;27(5):23-34. (In Russ.) https://doi.org/10.15514/ISPRAS-2015-27(5)-2
Послать статью по эл. почте 