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
  • David Lehnherr
Supervisors
  • Ludwig Dierks
  • Sven Seuken
Language
  • English
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 Hoe ding and Bernstein. Through simulating one month of historic workload on an arti cially filled cluster we found strong evidence, that bayesian admission policies perform signi ficantly 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 Hoeff ding 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