面向成本最优的DAG在IaaS云环境中利用在线学习
摘要：云服务提供商（CSP）提供两种购买选项，即按需和竞价实例，具有可用性和价格的时变特性。用户如创业公司必须在有限的预算内运作，其他用户也希望降低成本。与CSP的互动过程中，最关键的问题是如何成本有效地利用不同的购买选项，可能还包括自有实例。数据密集型应用中的作业通常由有向无环图表示，可以进一步转化为任务链。实现成本效益的关键是确定每个任务的特定截止时间分配，以及将不同类型的实例分配给任务。本文提出了一种框架，确定任务的最优截止时间分配。该框架还具有确定预定义时间窗口内竞价和按需实例分配的最优策略，以及为自有实例分配近似最优策略。这些策略设计为参数化，以支持使用在线学习推断针对云市场动态的最优值。最后，采用几种直观的启发式方法作为基准，验证了所提出解决方案带来的成本改善。结果显示，在考虑竞价和按需实例时，与最先进技术相比，成本改善高达24.87％，在考虑自有实例时，成本改善高达59.05％。
作者：Xiaohu Wu, Han Yu, Giuliano Casale, and Guanyu Gao
论文ID：2106.01847
分类：Performance
分类简称：cs.PF
提交时间：2021-06-04