著者

DouangchakSithixay 佐藤未来子 山田浩史 並木美太郎

雑誌

研究報告システムソフトウェアとオペレーティング・システム(OS)

巻号頁・発行日

vol.2013-OS-127, no.8, pp.1-10, 2013-11-26

---

本稿では,仮想化環境における省電力化を目的とし,消費エネルギー予測に基づいた省電力化を行う仮想マシンモニター (VMM) の設計,実装と評価について述べる.従来手法では,OS やアプリケーションを修正する必要があるが,本研究では VMM レイヤにおいて動的電圧・周波数制御 (DVFS) 時の仮想マシン (VM) ごとの演算性能,消費電力,ネットワーク I/O,ディスク I/O の予測に基づいた省電力制御を行うことで,VM のゲスト OS やアプリケーションに対して透過的に省電力を実現できるのが特徴である.本手法では,VM 実行時のキャッシュミス率やプロセッサ全体のメモリアクセス頻度などのハードウェアパフォーマンスカウンタの情報と仮想 NIC,仮想 I/O の情報を用いて,多変量回帰分析手法により求めた最適な演算性能,消費電力またはスループットをもとに DVFS 制御を実施する.実装には,Linux カーネルを用いた VMM である KVM を用いた.評価より,コア単位で DVFS 制御可能なマルチコア環境において,演算性能とスループットの条件の範囲内で VM が 1 台ある場合,最大でメモリバウンドベンチマークにて 38.3%,ディスクベンチマークにて 35.1%,ネットワークベンチマークにて 46.0%,VM が複数台ある場合,最大で 44.3% のプロセッサの消費エネルギーの削減率を確認した.

著者

堀江光 浅原理人 山田浩史 河野健二

雑誌

研究報告システムソフトウェアとオペレーティング・システム(OS)

巻号頁・発行日

vol.2014-OS-128, no.11, pp.1-10, 2014-02-27

---

近年,複数のデータセンタ間を跨いで提供されるクラウド環境が登場している.これは各データセンタで稼働する計算資源を集約することで,クラウド環境の特徴である伸縮性や可用性の向上を図っている.スケーラビリティの観点から,このような多数のサーバを用いた環境での利用に適したストレージのひとつとして分散型キーバリューストアがあるが,データセンタ間を結ぶ狭帯域・高遅延なネットワークにより性能が著しく低下する問題がある.この問題を解決するために,本研究では Local-first Data Rebuilding (LDR), Multi-Layered Distributed Hash Table (ML-DHT) という 2 つの手法を用いてキーバリューストアを構築する方法を提案する.LDR は保存データに冗長性を与えた上で分割することで,ストレージ使用量の増加を抑えつつデータセンタ間通信の量を軽減する.ML-DHT はデータセンタ間通信を最小限に抑えたルーティングにより,通信遅延を抑えたデータ探索を実現する.実験により提案手法が,代表的な DHT である Chord を用いた手法を用いた場合と比較し,データ探索のための通信遅延を約 74%軽減し,ストレージ使用量とデータセンタ間通信量のバランスを柔軟に設定できることを示した.

著者

尾板弘崇 山田浩史 谷本輝夫 小野貴継 佐々木広

雑誌

研究報告システムソフトウェアとオペレーティング・システム(OS)

巻号頁・発行日

vol.2014-OS-130, no.21, pp.1-7, 2014-07-21

---

近年,クラウドサービスは,課金額に応じて必要な計算リソースを利用することができるため,設備投資をせずに大規模なデータ処理が可能となる.クラウドサービスを提供する企業 (クラウドサービスプロパイダ) はサーバに仮想マシン (VM) を使用していることが多い.一方,マルチコアプロセッサが広く普及してきており,ひとつのチップ上に搭載されるコア数は現在も増え続けている.マルチコアプロセッサを搭載したマシン上で VM を立ち上げる場合,VM に割り当てる仮想 CPU(vCPU) 数は適切に分配する必要がある.vCPU を多く与えてもアプリケーションの中には並列性が頭打ちになるものがあり,性能が上がるとは限らず,少なすぎてもアプリケーションの並列性を生かせず,性能が出ない.そのため,適切に分配しない場合,無駄な課金やマルチコアプロセッサの非効率な利用につながってしまう.本研究では,クラウド環境においてマルチコア CPU 上で動作する VM の挙動を解析し,マルチコア CPU を効率よく動作させるための VM の集約方法や仮想マシンモニタ (VMM) が提供すべき資源管理手法確率のための足がかりとする.解析は,VM に割り当てるコア数を変化させながら,クラウド環境で動作するワークロードを模したベンチマーク [1] を動作させ,ワークロードのリソース使用率を観察する.具体的には,機械学習 (Data Analytics),キーバリュー型ストレージ (Data Serving),グラフマイニング (Graph Analytics),Web 検索 (Web Search) のワークロードを動作させる.実験の結果,クラウドサービスで実行されるワークロードには,vCPU 数を増やすともにスケールするもの,ある vCPU 数まではスケールするが,それ以降は変わらない,あるいは,逆に性能が下がってしまうもの,vCPU 数にかかわらずスケールしないものがあるということが明らかになった.