가상 머신 사용 기반 클라우드 배치 최적화

초록

본 논문은 IaaS 환경에서 가상 머신(VM) 간의 성능 격리를 고려한 새로운 배치 알고리즘 VUPIC을 제안한다. 각 VM의 CPU·메모리·스토리지·네트워크 사용량을 3차원 자원 활용 벡터(RUV)로 지속적으로 측정하고, 상충되는 자원 요구를 최소화하도록 호스트에 배치한다. 실험 결과, VUPIC은 기존 배치 방식에 비해 개별 VM 성능과 전체 클라우드 자원 활용률을 모두 향상시킨다.

상세 분석

VUPIC 알고리즘의 핵심은 “자원 활용 벡터(Resource Utilization Vector, RUV)”라는 3차원 모델에 있다. 여기서 RUV는 (CPU, Memory, I/O) 세 축으로 구성되며, 각 축은 해당 VM이 현재 소비하고 있는 비율을 0~1 사이의 실수값으로 나타낸다. 논문은 먼저 다양한 워크로드(CPU‑집중, 메모리‑집중, I/O‑집중)를 실험 환경에 배치하고, 각 VM의 RUV를 실시간으로 수집한다. 수집된 RUV는 클러스터 내 모든 호스트의 현재 부하와 비교되어, 서로 상충되는 자원 요구를 가진 VM들이 동일 호스트에 몰리지 않도록 배치 결정을 내린다.

알고리즘 흐름은 크게 네 단계로 나뉜다. 1) 초기 배치 후 각 VM의 RUV를 측정한다. 2) RUV를 기반으로 VM을 “고CPU·저메모리·저I/O”, “고메모리·저CPU·저I/O” 등으로 분류한다. 3) 호스트별 현재 자원 가용량과 충돌 가능성을 평가하여, 가장 적합한 호스트에 VM을 재배치한다. 4) 재배치 후 RUV를 다시 측정하고, 수렴 조건(변동폭이 일정 이하) 또는 최대 반복 횟수에 도달하면 종료한다.

이 과정에서 중요한 설계 선택은 “충돌 비용 함수”이다. 논문은 각 자원 축에 가중치를 부여해, 예를 들어 CPU가 과도하게 포화될 경우 가중치를 크게 설정함으로써 해당 VM을 다른 호스트로 이동시키는 압력을 높인다. 또한, 네트워크 대역폭은 직접적인 RUV에 포함되지 않지만, I/O 축에 간접적으로 반영된다. 이러한 가중치 조정은 워크로드 특성에 따라 동적으로 튜닝 가능하도록 설계돼, 다양한 서비스 수준 협약(SLA) 요구를 만족한다.

실험에서는 OpenStack 기반 테스트베드에 8개의 물리 호스트와 32개의 VM을 배치하고, 기존 “First Fit Decreasing”(FFD) 방식과 비교했다. CPU‑집중 워크로드에서는 평균 응답 시간이 22 % 감소했으며, 메모리‑집중 워크로드에서는 스와핑 발생률이 0 %로 감소했다. 전체 클러스터의 평균 자원 이용률은 78 %에서 85 %로 상승했다. 이러한 결과는 VUPIC이 자원 충돌을 효과적으로 완화하고, VM 간 성능 격리를 강화함을 입증한다.

한계점으로는 RUV 측정 오버헤드와 재배치 시 발생하는 마이그레이션 비용이 있다. 논문은 이를 최소화하기 위해 측정 주기를 5분으로 설정하고, 마이그레이션은 부하가 낮은 시간대에 제한적으로 수행한다. 향후 연구에서는 머신러닝 기반 예측 모델을 도입해 RUV 변동을 사전에 예측하고, 마이그레이션 결정을 더욱 선제적으로 최적화할 계획이다.