Usage Trends Aware VM Placement in Academic Research Computing Clouds
Notice bibliographique
Résumé
Academic Research Computing Clouds are widely deployed worldwide by research institutions to support researcher's computations. While the nature of the hosted use-cases is diverse, literature and institutions' published guides point to highly parallel HPC workloads and state-heavy workloads as two popular use-cases in research-computing clouds. Additionally, our prior investigation has uncovered unique patterns in the users' VM-provisioning behaviors in four of Canada's research-computing clouds. These patterns, i.e., usage-trends, were generated by examining nearly 1 million VMs created by researchers over four and half years. The usage trends mimicked behaviors of provisioning highly parallel HPC workloads and state-heavy portals. In this paper, we exploit the knowledge of these usage trends to guide VM placement decisions in research-computing IaaS clouds. We propose a delayed-provisioning algorithm that postpones resource allocations for incoming VM requests in anticipation of running VMs termination, minimizing the number of active PMs and PM underutilization. We examine the performance of the proposed algorithm compared to other placement algorithms using a real-life validation dataset of nearly 850 thousand VMs. The results show significant improvements ranging from 7% to 33% reduction in the number of active PMs and up to 61% reduction in the number of hourly underutilized PMs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».