一种用于小型Web应用经济高效IaaS自动扩缩容的轻量级启发式方法

《Scientific Reports》：A lightweight heuristic for cost-efficient IaaS auto-scaling of small-scale web applications

　　

摘要

按使用量付费的基础设施即服务模式使得小型组织也能负担得起网页应用托管费用，但对于部署2到8台虚拟机的情况，如何实现成本高效的弹性调度仍是个难题：企业级自动扩展工具需要数周的流量数据以及大量调优参数，而简单的固定阈值策略则要在服务性能开始下降后才作出反应。本文提出了一种轻量级自适应调度启发式算法——LASH，这是一种O(1)时间复杂度的两阶段算法，能够在满足200毫秒P99延迟服务等级协议的前提下，最小化每小时IaaS成本。第一阶段采用双指数平滑法预测未来一个虚拟机预热周期内的请求速率；第二阶段则在考虑最低使用时长和计费规则的情况下选择成本最低的虚拟机数量，从而避免过早扩容。通过针对AWS EC2和Azure虚拟机的定价、虚拟机预热时间以及排队行为进行的仿真实验，LASH在六种不同的负载场景下均优于四种传统基准算法（固定阈值、移动平均、递归最小二乘回归以及AWS目标跟踪算法），每种场景下进行\(n = 10\)次模拟实验，共计600次试验；对于AWS EC2配置，还使用了1998年国际足联世界杯24小时实际运行数据进行了\(n = 10\)次回放测试。仿真结果显示，在所有负载场景下，LASH在成本控制方面均优于其他基准算法，在除最低方差场景外的其他场景中，其P99延迟表现也更好，只有在该场景下递归最小二乘回归算法更具竞争力。与固定阈值基准算法相比，LASH的平均成本降低率为41.9%（BCa 95%置信区间为[40.7%，43.1%]，该数值反映的是模拟实验之间的差异而非实际部署中的不确定性），同时P99延迟降低了23.7%，服务等级协议违规情况也减少了75.9%；与基于AWS目标跟踪算法的CPU目标响应策略相比，LASH的成本降低率为13.5%。在匹配块弗里德曼检验中，所有改进效果都具有统计学显著性（\(p < 0.001\)，弗里德曼统计量\(\varepsilon ^{2} = 0.97\)），基于运行级别数据的线性混合效应模型也验证了这一结果。作为一项仿真研究，这些结果反映了在论文所假设条件下的预期表现，不能替代对实际生产环境的测试结果。