Not logged in.
Quick Search - Contribution
Contribution Details
Type | Bachelor's Thesis |
Scope | Discipline-based scholarship |
Title | The Good, the Bad and the Ugly - Evaluation of Cluster Admission Policies on Historical Deployments |
Organization Unit | |
Authors |
|
Supervisors |
|
Language |
|
Institution | University of Zurich |
Faculty | Faculty of Business, Economics and Informatics |
Number of Pages | 17 |
Date | 2019 |
Abstract Text | Cloud computing gained recent interest due to a wide audience and the possibility of large revenue. While there is a moderate amount of literature on pricing the cloud and managing tasks, there is little on cluster scheduling. Despite the issue of today's clusters struggling with low overall usages. In this work, we compare existing bayesian admission policies with the greedy baseline approach on historic data. Moreover, we present a new admission policy based on the inequalities of Hoeding and Bernstein. Through simulating one month of historic workload on an articially filled cluster we found strong evidence, that bayesian admission policies perform significantly better than the greedy approach. Within the bayesian policies, we nd, that policies that take the variance of active cores into account, perform better than the others. When provided with additional information, the improvement further increased remarkably. |
Zusammenfassung | Dank einer grossen Zielgruppe und der Möglichkeit auf grosse Gewinnspannen, erlangte Cloud-Computing in letzter Zeit viel Aufmerksamkeit. Während die Problematik des Zuweisen von Aufträgen in einer physischen Ressource als auch die Preissetzung der Cloud aktiv erforscht werden, stellt das Zuweisen von Aufträgen zu Clustern eine neue Herausforderung dar. Diese Problematik ist von grosser Wichtigkeit, da die heutigen Cluster mit einer tiefen Auslastung zu kämpfen haben. In dieser Arbeit vergleichen wir bestehende bayessche Zuweisungsregeln mit der handelsüblichen gieregen Herangehensweise. Zusatzlich stellen wir eine weitere Regel vor, welche auf den Ungleichugen von Hoeffding und Bernstein basiert. Durch das simulieren von einem Monat an historichen Auftragsdaten auf einem künstlich gefülltem Cluster, finden wir starke Beweise, dass die bayesschen Regeln zu höheren Auslastungen führen. Zwischen den bayesschen Zuweisungsregeln finden wir, das die Regeln, welche mit der Varianz der aktiven CPU eines Clusters arbeiten, zu höheren Auslastungen führen. Lagen dem Cluster mehr Informationen über Aufträge vor, so erhöhte sich die Auslastung erneut. |
PDF File | Download |
Export | BibTeX |