Équité Multi-Ressources à Long Terme pour les Systèmes Informatiques Payez au Fur et à Mesure

De nombreux systèmes informatiques actuels tels que les clouds et les supercalculateurs facturent les utilisateurs en fonction de leur utilisation des ressources. La demande d'un utilisateur change souvent au fil du temps, ce qui indique qu'il est difficile de maintenir une utilisation élevée des ressources en permanence pour une rentabilité optimale. Le partage de ressources est une approche classique et efficace pour une utilisation élevée des ressources. Compte tenu des demandes hétérogènes en ressources des charges de travail des utilisateurs, l'équité de l'allocation multi-ressources est essentielle pour le partage de ressources dans ces systèmes informatiques payez au fur et à mesure. Cependant, nous constatons que les politiques d'équité multi-ressources existantes telles que l'Équité des Ressources Dominantes (DRF), mises en œuvre dans les systèmes de gestion des ressources actuellement populaires tels qu'Apache YARN et Mesos, ne sont pas adaptées aux systèmes informatiques payez au fur et à mesure. Nous montrons que cela est dû à leur caractéristique sans mémoire qui peut causer les problèmes suivants dans les systèmes informatiques payez au fur et à mesure : 1). les utilisateurs peuvent bénéficier de ressources en trichant ; 2). les utilisateurs pourraient ne pas être en mesure d'obtenir la quantité totale de ressources auxquelles ils ont droit en termes de leurs contributions en ressources. Dans cet article, nous proposons une nouvelle politique appelée H-MRF, qui généralise le DRF et l'Équité des Actifs avec la notion à long terme. Nous montrons qu'elle peut résoudre ces problèmes et est adaptée aux systèmes informatiques payez au fur et à mesure. Nous l'avons implémentée dans YARN en développant un prototype appelé MRYARN. Enfin, nous évaluons H-MRF à l'aide d'expériences sur banc d'essai et simulées. Les résultats expérimentaux montrent qu'il y a environ 1,1 à 1,5 degrés de bénéfice de partage et une amélioration de performance de 1,2× à 1,8× pour les utilisateurs avec H-MRF, meilleur que les planificateurs équitables existants.