Dynamic, adaptive, and optimal resource allocation and migration in cloud data centers
Bulut veri merkezlerinde dinamik, uyarlanabilir ve optimal kaynak tahsisi ve geçişi
- Tez No: 971197
- Danışmanlar: PROF. DR. ŞENAN ECE SCHMİDT, PROF. DR. KLAUS VERNER SCHMİDT
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Electrical and Electronics Engineering, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bulut veri merkezleri, fiziksel makinelerin hesaplama kaynaklarını kullanıcı taleplerine göre sanal makinelere tahsis ederek Hizmet Olarak Altyapı (IaaS) sunar. Bu talepler, Hizmet Düzeyi Anlaşması (SLA) biçiminde belirtilir ve IaaS sisteminin iş yükünü oluşturur. Bulut servis sağlayıcısı, kaynakları verimli şekilde tahsis ederek güç tüketimini en aza indirirken, SLA koşullarını sağlamakla yükümlüdür. Bu amaçla, sanal makinelerin aşırı tahsisi yöntemi uygulanmakta ve ortaya çıkan SLA ihlalleri gerektiğinde sanal makine göçüyle giderilmektedir. Tamsayılı Doğrusal Programlama (ILP), sıkı kısıtlar altında küresel olarak optimal yerleştirme ve göç stratejileri üretmede oldukça etkilidir. Ancak geleneksel ILP tabanlı yöntemler, zamanla değişen bulut iş yükü koşullarına uyum sağlayamayan statik parametrelere dayanır. Bu tez, ILP modelinin optimalitesini Derin Q-Ağı'nın (DQN) gerçek zamanlı tepki kabiliyetiyle birleştiren hibrit bir kaynak yönetimi yaklaşımı olan I2CLOUDMAN'i sunmaktadır. DQN, veri merkezinin güncel durumunu gözlemleyerek ILP modelinin parametrelerini her karar anında dinamik biçimde belirler ve iş yükü koşullarına göre ayarlamalar yapar. Bu kapsamda, I2CLOUDMAN'in performansını karşılaştırmalı olarak değerlendirmek için gerçek izleri tekrar oynatabilen, ayrık olay temelli bir simülasyon altyapısı geliştirilmiştir. I2CLOUDMAN, statik parametreli ILP modeli CLOUDMAN++, meta-sezgisel yöntem PAPSO ve OpenStack Nova Scheduler olmak üzere üç temel yöntemle Microsoft Azure 2017 sanal makine iş yükü izleri üzerinden karşılaştırılmıştır. Sonuçlar, I2CLOUDMAN'in, toplam güç tüketimini CLOUDMAN++'a göre 9%, PAPSO'ya göre ise 40% oranında azalttığını ve aynı zamanda OpenStack Nova Scheduler'a kıyasla çok daha az SLA ihlali gerçekleştirdiğini göstermektedir. Bu bulgular, öğrenme tabanlı ILP ayarlamasının modern bulut veri merkezlerinde ölçeklenebilir, enerji verimli ve SLA uyumlu kaynak yönetimini gerçekleştirme potansiyeline sahip olduğunu doğrulamaktadır.
Özet (Çeviri)
Cloud Data Centers (CDCs) provide Infrastructure as a Service (IaaS) by allocating the computing resources of the Physical Machines (PMs) to Virtual Machines (VMs) according to the resource demands of the user. These demands are specified in the form of a service-level-agreement (SLA) and constitute the workload for the IaaS. The cloud service provider must meet the SLAs while efficiently allocating the resources and minimizing the power consumption. To this end oversubscription of the VMs is employed and resulting SLA violations are resolved by VM migration when necessary. Integer Linear Programming (ILP) has proven very effective in producing globally optimal placement and migration strategies under hard constraints. However, traditional ILP-based methods rely on statically defined parameters, which are unable to adapt to the temporal cloud workload variations. This thesis presents I2CLOUDMAN, a hybrid resource management approach combining the optimality of an ILP model with the real-time responsiveness of a Deep Q-Network (DQN). The DQN observes the up-to-date state of the data center and chooses the parameters of the ILP model dynamically, adjusting them to the workload conditions in each decision epoch. We implement a discrete-event simulation framework capable of replaying real traces for comparatively evaluating the performance of I2CLOUDMAN. To this end, we compare I2CLOUDMAN with three baselines: the static-parameter ILP model CLOUDMAN++, the PAPSO meta-heuristic, and Nova Scheduler of OpenStack using the Microsoft Azure 2017 VM workload traces. The outcome is that I2CLOUDMAN reduces the total power consumption by 9% compared to CLOUDMAN++ and 40% compared to PAPSO, while also achieving much fewer SLA violations than OpenStack's Nova Scheduler. These findings validate that learning-driven ILP tuning has the potential to realize scalable, energy-efficient, and SLA-aware resource management in modern cloud data centers.
Benzer Tezler
- Energy efficient resource management in cloud datacenters
Bulut veri merkezlerinde enerji verimli kaynak yönetimi
İLKSEN ÇAĞLAR
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DENİZ TURGAY ALTILAR
- A temporal bin packing based approach to virtual machine placement problem with migration costs
Göç maliyetli sanal makine yerleştirme problemine geçici kutu paketleme tabanlı bir yaklaşım
EDA AYAZ
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri MühendisliğiÖzyeğin ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. DİLEK GÜNNEÇ DANIŞ
PROF. DR. ALİ EKİCİ
- Stochastic dynamic programming based resource allocation for multi target tracking for electronically steered antenna radar
Elektronik taramalı radarlarda çoklu hedef takibi için stokastik dinamik programlama tabanlı kaynak paylaşımı
ÇAĞLAR UZUN
Yüksek Lisans
İngilizce
2015
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MÜBECCEL DEMİREKLER
- Optimizasyon tabanlı bir su kaynakları sistemi modelleme aracının geliştirilmesi ve çok amaçlı sektörel tahsise uygulanması
Development of an optimization-based modeling tool for water resources systems and application to multi-objective sectoral allocation
SALİM YAYKIRAN
Doktora
Türkçe
2025
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPASLAN EKDAL
- Deep learning meets reconfigurable ıntelligentsurfaces: Novel system designs and solutionstoward 6G and beyond
Derin öğrenme, yeniden yapilandirilabilir akilli yüzeylerle buluşuyor: 6G ve ötesine doğru yeni sistem tasarimlari ve çözümleri
YARKIN GEVEZ
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERTUĞRUL BAŞAR