一個用以預測服務網格應用執行時間的可調適混合模型

Abstract

預測應用程式的執行時間，對網格架構而言是至關重要的。尤其對如何最佳化排程、預先資源保留的資源管理、系統負載分析。在網格環境中，為了最佳妥善使用資源及解決應用程式提出的要求，系統需要預測模型以預測每一個資源是否可被使用及預測應用程式結束時間。由於網格具有異質性資源和分散式節點的特性，使得預測應用程式的執行時間是一件難以解決的任務，因為涉及到工作流程中需要多個跨等級的資源、相互依賴的需求行動、網格的動態行為。 論文中，我們提出一個可適應混合模型利用相似模板來預測應用程式的執行時間。在工作數據裡的應用程式依照所定義的特性做分類。我們使用工作數據建立應用程式的特性表並成為我們演算法的部分組合，我們搜尋演算法對每一個應用程式用來發現符合資格的模板集合。預測模型使用歷史資料預測預測執行時間，為了改善效能，我們採用可適應技術。 模擬結果顯示，在不同分佈下預測模型預測執行時間能夠達到平均預測錯誤率小於0.12，我們並使用兩個真實網格工作數據：AuverGrid和Grid''5000，透過一系列模擬評估，使用相似模板在可適應混合模型下的成效，實驗結果指出我們的方法是有效果且有效率。

Application run time prediction for Grid architecture is of critical importance for optimization scheduling, advance reservations of resource management, and overhead analysis. To make the best use of the resources and to solve the applications request in the Grid environment, the system requires prediction model to make a prediction of available performance on each resource and the application terminal time. Predicting run time of application is a complex task, because heterogeneous resource nodes are involved several Grid resources in workflow execution, dependencies of request services and dynamic behavior of the Grid in a distributed environment. In this paper we present an adaptive hybrid model exploiting similarity templates to prediction run time of application. The applications are characterized considering the characteristics describing in the workload trace. Using the workload trace build the characteristic table into our algorithms. Our search algorithms are employed to find eligible template set for each application. Similarity template feeds in the prediction model. The prediction model predicts run time with historical data. In order to improve the performance, we use the adaptive technique. The experimental result shown that the prediction model can achieve average prediction error ratio less than 0.12 under various distributions to predict the execution time of a job. Through a series of simulations using two real-life workload trace on the AuverGrid and Grid''5000 in France, we evaluate the effectiveness of the adaptive hybrid prediction model using similarity templates.