Utilization Driven Model for Server Consolidation in Cloud Data Centers

Abstract

The application of cloud computing has diversified with the adoption of Internet of Things (IoTs) and edge computing. However, it has increased the uncertainty of workload demand; thus, the efficient utilization of cloud computing resources become more challenging. Traditionally, dynamic consolidation of workload inside cloud data centers relies on identifying overload and under-load hosts using either static or dynamic threshold value. In this paper, we propose a Utilization Driven Model (UDM) model to estimate the number of under-utilized and over-utilized processing machines through percentile ranks of low and high utilization from mean value of resource utilization of hosts and the value of mean absolute deviation of resource demand. UDM swiftly reacts to any change in workload demand and adapts the system to the current demand of resource utilization. The UDM approach not only impacts the energy consumption and quality of service but also increases the elastic nature of cloud by robustly managing the sudden changes in workload. Experiment results show that UDM is an efficient server consolidation technique, improving 30% energy, 40% quality of service compared to contemporary techniques. Thus, the UDM is more robust to support stochastic resource demand compared to traditional techniques. INDEX TERMS Server consolidation, cloud computing, efficient resource utilization, cloud data centers, dynamic workload consolidation.

Quality of Service (QoS) Server Konsolidasi dengan Menggunakan Hypervisor Proxmox VE

“…Pengujian kinerja perlu dilakukan untuk melihat sejauh mana server dapat melayani permintaan dan melakukan beban kerja. Kebijakan konsolidasi server yang baik harus memastikan QoS yang andal bersama dengan pengurangan konsumsi energi untuk pelaksanaan beban kerja [6]. Tujuan QoS adalah untuk menyediakan kualitas layanan yang berbeda-beda untuk beragam kebutuhan akan layanan di dalam jaringan IP, sebagai contoh untuk menyediakan bandwidth, menurunkan hilangnya paket-paket, menurunkan waktu tunda dan variasi waktu tunda dan lainnya [7][8].…”

Analisis Konsolidasi Server dengan Virtualisasi Menggunakan Proxmox VE

“…Pengujian kinerja perlu dilakukan untuk melihat sejauh mana server dapat melayani permintaan dan melakukan beban kerja. Kebijakan konsolidasi server yang baik harus memastikan Quality of Service (QoS) yang andal bersama dengan pengurangan konsumsi energi untuk pelaksanaan beban kerja [8]. Seperti dilakukan oleh [9] di mana fokus penelitiannya adalah prediksi kelas konsolidasi beban kerja CPU dalam kluster web server untuk penyediaan sumber daya server yang optimal di mana berfokus dalam menghasilkan prediksi (klasifikasi) konsolidasi beban kerja kluster server terbaik menggunakan ANN (Artificial Neural Network).…”