클라우드 컴퓨팅 고객 만족도 최대화를 위한 서비스 자원 관리 연구210.101.116.28/W_files/kiss2/03514100_pv.pdf클라우드 컴퓨팅(Col ud Computngi ) 은

2010대한산업공학회 추계학술대회 저자명

클라우드 컴퓨팅 고객 만족도 최대화를 위한 서비스 자원 관리 연구

대한산업공학회/한국경영과학회 2011년 추계학술대회

김문경, 최진영

아주대학교 산업공학과

2011 대한산업공학회 추계학술대회 김문경, 최진영

2011년 대한산업공학회 추계학술대회


Ⅰ. 연구 배경

Ⅱ. 문제 정의

Ⅲ. 의사결정 정책

3.1 제안된 의사결정 정책

TRPP ( Target Ratio Pursuing Policy )

ATCP ( Acceptance Tolerance Controlling Policy )

3.2 성능비교를 위해 고려된 휴리스틱 정책

FCFS ( First Come First Serve )

CBPP ( Customized Bid Price Policy )

Ⅳ. 수치 실험

Ⅴ. 결론

목 차

2011 대한산업공학회 추계학술대회 김문경, 최진영 1/22



1. 클라우드 컴퓨팅

클라우드 컴퓨팅(Cloud Computing)은 네트워크, 서버, 스토리지, 서비스, 애플리케이션 등

IT 자원을 구매하여 소유하지 않고 필요 시 인터넷을 통해 서비스 형태로 이용(On-demand)

하는 컴퓨팅 방식

Ⅰ. 연구 배경


자료 : Microsoft, 2010

2/22



2. 클라우드 서비스 제공 형태

IaaS ( Infrastructure as a Service ) Amazon Webservices, Mozy

PaaS ( Platform as a Service ) Microsoft Azure, Google App Engine

SaaS ( Software as a Service ) Googledocs, Microsoft Office Live

Ⅰ. 연구 배경

애플리케이션

데이터

런타임

미들웨어

OS

가상화

서버

스토리지

네트워킹

전통적 IT

애플리케이션

데이터

런타임

미들웨어

가상화

서버

스토리지

네트워킹

IaaS

애플리케이션

데이터

런타임

미들웨어

OS

가상화

서버

스토리지

네트워킹

SaaS

애플리케이션

데이터

런타임

미들웨어

OS

가상화

서버

스토리지

네트워킹

PaaS

OS

사용자

관리 사

용자

관리

서비스로

공급

사용자

관리 서비스로

공급

서비스로

공급


자료 : Microsoft, 2010

3/22



3. 클라우드 자원 관리 구조

Ⅰ. 연구 배경

Resource Management System and Admission Control

Accounting Scheduling Queue

VM Monitor Dispatcher Service Monitor

…..

Users/ Consumer

SLA based Resource

Management

Virtual Machines

(VMs)

Physical Machines

사용자/브로커 (User/Broker) 지리적 위치에 관계없이 데이터 센터와 클라우드에 작업 처리를 위한 서비스 요청을 제출 SLA 자원 할당자 (SLA Resource Allocator) 데이터 센터나 클라우드를 소유한 서비스 제공자와 사용자/브로커 사이의 인터페이스 서비스 요청 수용자

요청된 서비스에 대한 수용 여부 점검 작업 수용 관리자

수용이 결정된 서비스 수행을 위한 자원의 선정/할당/스케쥴링을 관리

과금/계정 서비스 요청 및 그 사용에 대한 비용을 계산 관리

가상 머신 모니터 가상 머신과 자원의 가용성을 관리

디스패쳐 (Dispatcher) 수용된 작업이 할당된 가상 머신을 실행

가상 머신 (Virtual Machine) 서비스 요청의 세부적인 요구사항을 기반으로 동일한 실

제 머신 내에서 자원을 분할하여 사용하는 형태로 제공 하나의 동일한 실제 자원 내에서 독립적 형태로 제공

물리적 머신 (Physical Machine) 사용자의 요구사항을 만족시키기 위한 실제 자원인 서버

와 네트워크로 구성


자료 : 컴퓨팅 클라우드 자원 관리 기술 동향 中, 윤찬현, KAIST

4/22



4. 클라우드 서비스-자원 형태

Ⅰ. 연구 배경

클라우드 서비스는 다양한 종류의 자원을 사용하고, 각각의 자원은 특정 서비스의 사용량

만큼 소모된다.

따라서, 요청된 서비스들의 수용 여부는 서비스 제공자의 판매 이익과 자원 활용도에 많은

영향을 미친다. ‘클라우드 서비스 요청을 수락/거절 하는 의사 결정 기준’의 필요성

클라우드 서비스 요청을 수락/거절하는 기준의 목표는 크게 두 가지가 있다.

이익 (Revenue), 고객만족도 (Customer Satisfaction)

Services

Message Queuing Service

Storage Service

Virtual OS Instance

Usage Mapping

Resources

Band- width

Memory CPU Storage

④

③

② ①




5. 관련 연구

Ⅰ. 연구 배경

의사결정기준 목표 저자 내용 한계

이익

Nair, Bapna (2001) 인터넷 서비스 제공자의 수익경영 개념 소개, 서비스 요청 수락/ 거절 정책 고려

다양한 서비스 타입을 고려하지 않음

Urgaonkar et al (2002) 플랫폼 공유상황에서는 서비스의 초과 예약이 많은 이익을 낼 수 있다는 입장

최적화에 있어 Throughput rate 만 고려

Yeo, Buyya (2004) Utility 에 기반한 클러스터 시스템에서의 Dynamic Pricing

Dube et al (2005) 클러스터 시스템에서의 수익경영 개념 제시, 서비스 요청 수락/거절 정책 고려 단일자원에 한하여 연구

Sulistio et al (2008) 초과 예약 상황에서의 수익경영 전략 연구

Arun Anandasivam (2010)

클라우드에서의 수익경영 프레임워크 개념 정립, CBPP 모델 제시 및 타 방법과 비교 연구

서비스 판매 이익의 최대화 고려

고객만족도

클라우드 환경에서 이익을 최대로 하는 연구(수익경영 분야)들은 진행되어 왔으나, 고객만족도 즉, 판매된 서비스 수량을 최대로 하여 다수의 고객을 만족시킬 수 있는 의사결정 정책은 아직 연구된 바 없다. 따라서 이 연구에서는 클라우드 서비스 요청 상황에서 고객만족도를 높이기 위한 서비스 수락/거절 의사 결정 기준을 제시하고자 한다.




1. 가정 및 목적 (Assumption and Objective)

1) 가정

- 특정 시점 t에는 최대 한 개의 서비스 요청이 들어온다.

- 판매된 서비스의 구매 취소 또는 서비스 이용을 하지 않는 상황은 배재한다.

- 예측 오차 (Forecast error)는 고려되지 않는다.

2) 목적

“ 고객 만족도를 높이기 위해 서비스 판매 수량을 최대로 하는 모델을 개발 및 비교한다. “

Ⅱ. 문제 정의


그림 : ‘Heuristic Approach for Capacity Control in Clouds’ 中



2. 타임라인

- 연속 타임라인 : 서비스 도착 시간 간격이 포아송 분포를 따르는 타임라인 생성

- 이산 타임라인 : 서비스 도착 시간 간격이 일정한 타임라인 생성

3. 예제

Ⅱ. 문제 정의

자원 서비스

자원 총량 1 2 3 4 5

CPU 2 4 3 8 10 1500

Memory 2 8 3 4 10 1500

Storage 8 2 4 4 8 1500

Bandwidth 4 2 8 4 8 1500

가격 18 19.5 22.5 27 46

수요 377 162 158 98 92


T min tj min tj ………………………………………………….. min tj min tj 0

서비스 i의 발생확률 λ, 난수 r ∈ [0,1] 생성, tj = 1/λ*ln(1-r)

T T-1 T-2…………………………………………………..…1 0



4. 서비스 표현 변수

Ⅱ. 문제 정의

이름 변수 표현

자원 h m개의 자원, h ∈ { 1, … , m }

서비스 i n개의 서비스, i ∈ { 1, … , n }

서비스 별 자원 사용량 ahi 서비스 i가 사용하는 자원 h의 양

자원의 총량 Ch 자원 h의 총량

시각 t t ∈ { T, T-1, …, 0 }

소모된 자원 cht t까지 소모된 자원 h의 양

가격 ri 서비스 i의 가격

서비스 별 발생확률 pi 서비스 i의 발생확률




3. 1 제안된 의사결정 정책

1. TRPP ( Target Ratio Pursuing Policy )


1) 서비스 요청을 받아들이기 이전에, 판매된 서비스 수를 최대화 시키는 선형문제를 계산한다.

Max Z = ( xi : 서비스 i의 판매량 ) s,t ︙ 그 결과, 최적해인 x1*, x2*, … , xn* 도출 2) Pi : 서비스 i의 목표 판매 비율 계산

Pi = Target Ratio

예를 들어 ) 서비스 환경이 다음과 같을 때, Max Z = x1 + x2 + x3 s,t 2x1 + 4x2 + 3x3 ≤ 40; 4x1 + 2x2 + 6x3 ≤ 40; 3x1 + 2x2 + 4x3 ≤ 50; x1* = 6 , x2* = 7 , x3* = 0 [ Target Ratio ] P1 = 6/13, P2 = 7/13, P3 = 0

서비스 자원 i = 1 i = 2 i = 3 Capacity

h = 1 2 4 4 40

h = 2 4 2 6 40

h = 3 3 2 4 50

가격 4.00 5.50 6.00




Sit : t 이전까지 판매된 모든 서비스 중에서 요청된 서비스 i의 비율

T t 0

결국, 이는 Target Ratio 인 Pi가 서비스를 수락/거절하는 의사결정기준이 되

어 Target Ratio에 근접하게 서비스를 판매하게 만드는 정책이다.


초기 서비스 요청 Accept

서비스 i 가 요청되었을 때 ) Sit < Pi 이면 서비스 판매, 아니면 거절

장점

고객만족도를 최대화시킬 수 있는 서비스 별 판매 비율을 미리 정할 수

있어 서비스 제공자가 원하는 비율만큼의 서비스 판매가 가능하다.

최종적인 서비스 판매 비율을 미리 예측하기가 쉽다.

단점 자원이 상당수 남아있음에도 불구하고 판매된 서비스 비율이 Target

Ratio에 근접하다면 이후의 서비스 판매는 모두 거절될 수 있다.




2. ATCP ( Acceptance Tolerance Controlling Policy )

Accept / Reject 기준 : Z1 - Z2 ≤ 1+α 일 경우, 수락하고 아니면 거절한다.

ATCP는 요청된 서비스 i 1개를 구성하고 있는 자원들이 다른 (1+α)개 이상의

서비스를 구성할 수 있다면, 요청된 서비스 i는 판매하지 않는 전략이다. 요청

된 서비스 i 1개를 거절함으로써 다른 서비스를 그 이상 판매할 수 있기 때문

이다.


1) 특정 t에 서비스 i의 요청이 들어올 때, t이전까지의 자원에서 받아들일 수 있는 서비스의 최대량인 Z1값을 계산한다.

MAX Z1 = ( xi : 서비스 i의 판매량 ) s, t ︙

2) t에서 서비스 i를 받아들였다고 가정한 후, t까지의 자원에서 받아들일 수 있는 서비스의 최대량인 Z2값을 계산한다.

MAX Z2 = ( xi : 서비스 i의 판매량 ) s, t ︙




여기서의 α는 일종의 tolerence (허용오차)로 0 ≤ α < 1의 범위에서 정해진다.

이는 총 자원 내에서 최대로 판매할 수 있는 서비스 수에 근접할 수 있도록,

다수의 테스트를 설쳐 설정한다.

T t 0


서비스 i 가 요청되었을 때 ) Z1 - Z2 ≤ 1+α 이면 서비스 판매, 아니면 거절

장점

서비스 요청이 들어올 때마다 동적으로 기준이 계산되므로 TRPP에 비해

유연하다.

테스트를 걸쳐 α가 계산되므로, 서비스 제공자가 정책의 정밀도를 조정

할 수 있다.

단점 문제의 규모가 커지고, 서비스 별 자원 점유량의 차이가 많이 나는 경우

판매 결과를 예측하기 어렵다.




3.2 성능비교를 위해 고려된 휴리스틱 정책

1. FCFS ( First Come First Serve )

서비스 요청이 들어온 순서대로 받아들인다

서비스 요청을 거절하는 경우가 발생하지 않는다.

2. CBPP ( Customized Bid-Price Policy )

서비스 요청을 받아들이기 이전에 기대 수요에 기반한 CBPP 함수를 계산한다.

Bid Price : 시각 t에서의 자원 h의 “가치”를 의미한다. ‘자원의 한 단위가 이익에 미

치는 기여’를 예상 수요와 시각 t까지의 판매량에 기반하여 계산된다.

: 시각 t에서, 자원 h의 Bid Price

: base Bid Price로, 난수 * 최소 Bid Price

( 최소 Bid Price = min { ri / ahi | i ∈ Ah } )





αh, βh 는 범위 [1;2]에서 난수 생성

수요 예측 자료가 필요하다.

• uht : t까지의 수요를 만족시킬 수 있는 자원 h의 양

• UhT : 전체 시간(T) 동안의 자원 h의 수요

서비스 판매 이익을 최대로 하기 위해 요청된 서비스의 가격보다 Bid Price가

작거나 같다면( ) 해당 서비스의 요청을 받아들이고, 그렇지 않

은 경우 거절한다.

유전 알고리즘이 도입된 시뮬레이션 과정을 거쳐 최종 이익을 최대로 하는 조

정변수의 조합 값을 얻는다.





1. 실험 설계

예제 문제

타임라인

- 연속시간, 이산시간 각각 T=500, T=1000일 경우 테스트

- 각각의 서비스 도착 확률에 대해 30번씩 테스트

Ⅳ. 수치 실험

자원 서비스

자원 총량 1 2 3 4 5

CPU 2 4 3 8 10 1500

Memory 2 8 3 4 10 1500

Storage 8 2 4 4 8 1500

Bandwidth 4 2 8 4 8 1500

가격 18 19.5 22.5 27 46

수요 377 162 158 98 92

서비스 도착 확률

① 0.2 0.2 0.2 0.2 0.2 균일분포

② 0.16 0.18 0.2 0.22 0.24 가격↑,서비스 도착 확률↑

③ 0.24 0.22 0.2 0.18 0.16 가격↑,서비스 도착 확률 ↓

④ 0.43 0.18 0.18 0.11 0.1 수요에 근거한 도착 확률


예제 문제 : ‘Heuristic Approach for Capacity Control in Clouds’ 中



2. 실험 결과

Ⅳ. 수치실험


T=500 연속 시간 이산 시간

평균 서비스

도착확률 ATCP TRPP FCFS CBPP ATCP TRPP FCFS CBPP

고객 만족도

① 340.17 197.93 274.8 282.13 338.5 197.9 276.63 282.87

② 338.47 194.7 283.3 291 337.87 186.9 286.37 291.1

③ 335.9 189.93 259.4 272.43 334 187.53 256.5 271.77

④ 303.03 149.87 259.97 273.6 300.63 155.6 262.4 273.73

이익

① 7436.4 4332.68 7302.62 7473.37 7398.93 4334.72 7315.37 7475.23

② 7387.02 4259.85 7184.48 7455.47 7372.65 4089.72 7183.87 7457.27

③ 7364.78 4160.6 7198.63 7440.08 7327.9 4109.5 7146.4 7427.68

④ 6466.5 3274.57 5952.73 6660.9 6408.38 3404.15 5995.37 6560.73


고객 만족도

① 341.7 338.63 276.17 283.17 341.7 336.97 273.47 282.37

② 341.47 339.83 283.43 290.07 341.73 337.2 284.03 291.23

③ 341.67 333.33 258.93 272.07 341.4 329.2 260.07 274.1

④ 342 292.57 262.2 272.07 341.93 282.3 259.7 265.43

이익

① 7473.4 7409.38 7300.33 7479.67 7473.4 7371.05 7278.28 7480.6

② 7468.67 7435.38 7209.6 7456.85 7473.08 7375.93 7211.67 7458.03

③ 7474.42 7296.23 7188.43 7432.42 7419.95 7204.7 7187.23 7425.93

④ 7477.5 6396.92 5993.47 6608.23 7476.33 6172.27 5976.95 6610.48

⇒ ATCP는 시간의 길이와 관계 없

이 제일 높은 고객만족도를 기록하

였다. 또한 시간이 충분히 주어진 상

황에서는 이익의 관점에서도 CBPP

이상의 이익을 기록하였다.

T=1000에서 서비스 도착 확률이

균일분포(①)인 연속시간일 때,

- 고객만족도

- 이익

250

300

350

ATCP TRPP FCFS CBPP

7200

7300

7400

7500

ATCP TRPP FCFS CBPP



2. 실험 결과

Ⅳ. 수치실험


고객 만족도

이익


* Y축은 평균값

3000

4000

5000

6000

7000

8000

ATCP TRPP FCFS CBPP

①

②

③

④

3000

4000

5000

6000

7000

8000

ATCP TRPP FCFS CBPP

①

②

③

④

140

190

240

290

340

390

ATCP TRPP FCFS CBPP

①

②

③

④

140

190

240

290

340

390

ATCP TRPP FCFS CBPP

①

②

③

④



2. 실험 결과

Ⅳ. 수치실험


고객 만족도

이익


* Y축은 평균값

5500

6000

6500

7000

7500

8000

ATCP TRPP FCFS CBPP

①

②

③

④

5500

6000

6500

7000

7500

8000

ATCP TRPP FCFS CBPP

①

②

③

④

250

270

290

310

330

350

ATCP TRPP FCFS CBPP

①

②

③

④

250

270

290

310

330

350

ATCP TRPP FCFS CBPP

①

②

③

④



2. 실험결과

Ⅳ. 수치 실험

T=500 T=1000

고객 만족도

ATCP > CBPP >FCFS > TRPP

T=500의 상황에서 T=1000의 상황과는

달리 CSTP의 고객만족도가 CBPP에 비해

높은 결과를 기록하였다.

TRPP, ATCP > CBPP > FCFS

특히, ATCP의 경우에는 상이한 서비스

도착확률과 상관없이 이익과 고객만족도

측면 모두 결과값의 최대범위에 도달하였

다.

이익

CBPP, ATCP > FCFS > TRPP

TRPP의 경우 이익과 고객만족도 측면 모

두에서 낮은 결과를 기록하였다. 그 이유는

시간이 충분히 길지 못해 아직 시스템이

안정상태에 도달하지 않았기 때문이다.

CBPP, ATCP > TRPP > FCFS

CBPP는 의사 결정 정책 자체가 이익을

최대화시키기 위한 정책이므로 이익부분에

서 강점을 보였다.

그러나, 서비스 수를 최대화 시킬 수 있

는 ATCP 정책 또한 이익 면에서 높은 결과

값이 도출되었다.




Ⅴ. 결론

클라우드 컴퓨팅 환경에서의 서비스 요청을 수락/거절하는 의사 결정 정책

의 목적으로 ‘고객만족도’ 측면에서의 정책 제시

기존의 의사결정 정책들과 새로 제안한 의사결정 정책들과의 결과 비교

새로 제안된 의사 결정 정책인 TRPP와 ATCP에서 기존의 의사결정 정책보

다 ‘고객만족도’가 향상되었음을 입증

향후 연구 방향

다양한 예제 상황에서의 의사결정 정책들의 성능 검증

클라우드 서비스 상황에서 고객 만족도 향상을 위한 새로운 의사결정 정책 연구




Q&A



Documents

클라우드 컴퓨팅 고객 만족도 최대화를 위한 서비스 자원 관리 연구210.101.116.28/W_files/kiss2/03514100_pv.pdf클라우드 컴퓨팅(Col ud Computngi ) 은