지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 허의남
- 발행연도
- 2020
- 저작권
- 경희대학교 논문은 저작권에 의해 보호받습니다.
이용수4
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
SLA는 클라우드 서비스에서 중요한 요소이며 지향점이라 할 수 있다. 이를 위하여 클라우드 서비스는 오토스케일링 등 여러 관리 기능을 제공하고 있지만, 관리자 및 사용자의 예상 및 경험을 통한 관리 요소 설정으로 인하여 관리 방법에 허점이 존재하며 이러한 허점은 SLA의 수준 저하의 원인으로 클라우드 서비스의 신뢰도에 문제를 일으킨다. 또한 획일화된 SLA의 제공으로 인하여 다양한 서비스에 필요한 다양한 SLA를 제공하지 못함으로 인한 서비스 수준의 저하 또한 이야기되고 있다.
본 연구를 위하여 실시간 모니터링 측정요소 조회 및 적재기술을 설계 및 구현하였다. 또한, 가상머신(Virtual Machine:VM)을 구성하는 요소(CPU, RAM 등)에 대한 사용률(Utilization)과 요소 간의 상관관계를 위한 연구를 진행, 사용률(Utilization) 감소(Reduce)를 위한 요구되는 용량을 도출할 수 있게 되었고, 이를 바탕으로 머신러닝(이하 기계학습)을 활용하여 실시간 수집되는 가상머신 상태를 판단하고 적절한 관리 방안을 도출하여 이를 적용함으로 조금 더 적절하고 알맞게 가상머신을 관리할 수 있을 것이며 따라서 다양한 SLO를 지정하고 또한 이를 위한 관리가 가능할 것으로 보여 진다.
본 연구에서 SLO가 될 수 있는 여러 요소 중 웹 반응 속도를 SLO로 지정하였고 가상머신의 안정적인 상태에서 응답 속도가 11ms였고(SLO로 설정), CPU 사용률이 100%일 경우 응답속도는 18.1ms였지만, 머신러닝을 통하여 도출된 추가 CPU를 해당 가상머신에 적용한 경우 11.23ms(가상머신의 안정적인 상태와 거의 동일한 97.9% 수치가 나왔음을 알 수 있다)로 반응속도가 감소한 것을 볼 수 있었다.
본 연구를 통하여 클라우드 서비스를 사용하는 이용자와 서비스를 제공하는 서비스 제공자 간 맺은 SLA는 SLO를 다양하게 정하고 이용자가 허용하는 범위 내에서 서비스를 영위할 수 있고 더 나은 서비스를 제공하기 위하여 가상머신 관리방안을 예상과 경험이 아닌 머신러닝을 통하여 제공함으로 현재 제공 중인 획일화된 퍼블릭 클라우드 서비스 SLA와는 다르게 서비스 이용자의 요구에 맞는 더 다양한 SLO를 정하여 연구함으로써 향후의 연구를 제시하고자 한다.
본 연구를 위하여 실시간 모니터링 측정요소 조회 및 적재기술을 설계 및 구현하였다. 또한, 가상머신(Virtual Machine:VM)을 구성하는 요소(CPU, RAM 등)에 대한 사용률(Utilization)과 요소 간의 상관관계를 위한 연구를 진행, 사용률(Utilization) 감소(Reduce)를 위한 요구되는 용량을 도출할 수 있게 되었고, 이를 바탕으로 머신러닝(이하 기계학습)을 활용하여 실시간 수집되는 가상머신 상태를 판단하고 적절한 관리 방안을 도출하여 이를 적용함으로 조금 더 적절하고 알맞게 가상머신을 관리할 수 있을 것이며 따라서 다양한 SLO를 지정하고 또한 이를 위한 관리가 가능할 것으로 보여 진다.
본 연구에서 SLO가 될 수 있는 여러 요소 중 웹 반응 속도를 SLO로 지정하였고 가상머신의 안정적인 상태에서 응답 속도가 11ms였고(SLO로 설정), CPU 사용률이 100%일 경우 응답속도는 18.1ms였지만, 머신러닝을 통하여 도출된 추가 CPU를 해당 가상머신에 적용한 경우 11.23ms(가상머신의 안정적인 상태와 거의 동일한 97.9% 수치가 나왔음을 알 수 있다)로 반응속도가 감소한 것을 볼 수 있었다.
본 연구를 통하여 클라우드 서비스를 사용하는 이용자와 서비스를 제공하는 서비스 제공자 간 맺은 SLA는 SLO를 다양하게 정하고 이용자가 허용하는 범위 내에서 서비스를 영위할 수 있고 더 나은 서비스를 제공하기 위하여 가상머신 관리방안을 예상과 경험이 아닌 머신러닝을 통하여 제공함으로 현재 제공 중인 획일화된 퍼블릭 클라우드 서비스 SLA와는 다르게 서비스 이용자의 요구에 맞는 더 다양한 SLO를 정하여 연구함으로써 향후의 연구를 제시하고자 한다.
목차
국문초록 vi제 1 장 서 론 1제1절 연구배경 1제2절 연구 목표 및 구성 2제3절 기대 효과 5제 2 장 관련 연구 6제1절 서비스 수준 동의(Service Level Agreement) 61 Amazon AWS(Amazon Web Service) 62 Microsoft Azure 93 Google Cloud Platform 10제2절 오토스케일링(Auto-sacaling) 121 오토-스케일링의 현재와 장단점 122 오토-스케일링 문제에 대한 제시된 해결 방법과 문제 13제3절 기계학습(Machine Learning) 15제 3 장 모니터링, 모니터링 화면 설계 및 사용률 감소의 상관관계 연구 16제1절 모니터링 16제2절 실시간 모니터링 측정요소 적재 구축 설계 17제3절 실시간 모니터링 프레임워크 설계 18제4절 모니터링 라이브러리 설계 201 모니터링 설계 202 실시간 모니터링 화면 설계 213 시계열 데이터베이트(Time-series database) measurement 설계 22제5절 기계학습을 위한 모형 설계 및 사용률 감소 상관관계 연구 24제 4 장 모니터링, 모니터링 화면 구현 및 기계학습을 위한 학습 및 검증 모델 생성 26제1절 모니터링, 모니터링 화면 구현 전략 26제2절 모니터링 27제3절 웹 서비스 구현 28제4절 기계학습을 위한 학습 모델 생성 301 모델 만들기 302 특성 정의 및 특성 열 구성 303 목표 정의 314 LinearRegressor 구성 315 입력 함수 정의 326 모델 학습 337 모델 평가 338 모델 초매개변수 조정 36제5절 기계학습을 위한 검증 모델 생성 391 검증모델 392 사전작업 393 데이터의 중아값과 비교 및 도식화 404 모델 학습 및 평가 41제 5 장 실시간 모니터링 기반 기계학습을 통한 관리방안 도출과 성능평가 43제1절 실험 환경 구축 43제2절 최적화된 기계학습 모델 성능 개선 평가 44제3절 성능 비교 및 실험 결과 요약 47제 6 장 결론 및 향후 연구 49참고문헌 50Abstract 51
최근 본 자료
댓글(0)
0