2) Beloglazov et al. (2014) : Power Aware Best-Fit Decreasing​

- heterogeneous scenario에서도 잘 동작. 각 PM이 소모하는 파워를 모델링하여 특정 time fragment 동안 적분함으로써 소모하는 에너지를 모델링함

- The PABFD algorithm, designed for the same OpenStack framework, uses the estimated power utilization of servers for the current VM [18]

- 단점:

• 에너지 모델이 부정확함. 심지어 정반대의 접근방식인 "Chowdhury et al. (2015) : Power-Aware Worst-Fit Decreasing"이 실험결과 더 성능이 좋게나옴. Their experiment shows that PAWFD has better performance than their baseline algorithm, PABFD.
• The idle power of the servers is not taken in to consideration by PABFD. This has a negative impact on the total energy-efficiency of the algorithm.
•  구현 부분보면 처음 배포시 요구했던 최대 리소스량을 기반으로 max utilization 을 계산하고 그걸 토대로 Power model로 max power를 계산하니까 만약에 실제 태스크의 utilization이 100%가 아닌경우도 문제가 생기고 또 매우 greedy 한 휴리스틱 방식임. 
  
  • 그리디 휴리스틱의 단점은? 

 

 

- PM이 소모하는 파워 모델

 

 

 

- 슈도 코드 

- 동작과정 

0) VM을 앞서 1번 MBFD처럼 Sort by cpu utilization.

1) 특정 times sgement 이후 에너지소모량을 근사적분해서 계산

2)  가장 에너지를 적게소모하는 곳에 PM에 배치

Q. times segement 구간만큼 inear interpolation해서 근자적분으로 계산하는게 아님 !! 

(그런 논문도 있긴 함. 근데 이건 아님. ) 

 

ㅁ 핵심! 어떻게 Power를 estimate하는지? getpowerAfterAllocation 코드 뜯어보기 !

- 할당 이후의 Max utilization 정보를 얻어온다

- 어떻게?

1) VM이 요청한 CPU capacity 인 Total Mips를 계산

2) 현재 PM이 사용하고 있는 utilization되고 있는 Mips 계산

3) 앞서 1+2를 host의 total mips로 나누어줌으로써 '순간적인' potential utilization 값을 계산

단점: max utilization 을 기준으로 max power를 계산하니까

만약에 실제 태스크의 utilization이 100%가 아닌경우, 대부분 그러하다.

이런 경우에 잘못된 에너지소모량을 계산해버린다.

 

ㅁ CloudSim 코드