4 razões para terceirizar seu DNS
Exclusivo Para todos os seus corredores ordenadas de servidores piscando e o zumbido reconfortante de dezenas de milhares de unidades giratórias, os data centers são lugares terrivelmente turbulento.
O truque é para esconder a briga de bar constante entre as aplicações e os recursos de TI subjacentes, com camadas e camadas de software, e uma das melhores maneiras de fazer isso é com um programador e de recursos do sistema eficiente atribuição de trabalho. Agora, um par de pesquisadores de Stanford têm revelado um sistema que lida com este problema, desencadeando ainda maiores níveis de utilização de recursos dentro de centros de dados.
A tecnologia "Quasar" deverá ser apresentado em um papel - Quasar: Resource-Eficiente e QoS-Aware Gerenciamento de Cluster - na conferência ASPLOS em Salt Lake City, Utah, na próxima semana.
Quasar é projetado para agendar e atribuir recursos às aplicações, e destina-se a ligar-de tecnologias de gerenciamento de cluster de mamute, que vão do Google e de propriedade da Microsoft Omega / Borg e sistemas de piloto automático , a do Twitter Apache open source projeto 'mesos', a partes do sistema de gestão OpenStack.
"Toda a abordagem é inspirada em algum sentido do trabalho que fiz na Microsoft e mais tarde no Google uso de análise de recursos," professor de Stanford Christos Kozyrakis e co-autor da pesquisa diz El Reg.
Quasar é uma nova abordagem para a afectação de recursos para tarefas específicas que promete ser muito mais eficiente, evitando o problema bit celeiro padrão de milhões e milhões de dólares de equipamentos de informática em posição de sentido à espera de empregos que nunca vai chegar.
Quasar aborda este problema através do emprego de algumas técnicas de classificação da carga de trabalho com base na abordagem Netflix usa para as suas recomendações de filmes personalizados.
Quasar pode dar aplicações nunca antes visto as características de desempenho ideal
"Como eu posso aprender tudo o que precisa sobre o programa sem ter que executá-lo 1.000 vezes? Tentamos usar a técnica de aprendizado de máquina para ser capaz de aprender tudo sobre o programa", explica Kozyrakis.
Isto significa que o sistema pode demorar alguns bits de dados de um aplicativo, em seguida, mesclar os em um grande grupo de dados de desempenho amalgamados, e trabalhar mais ou menos o que os recursos precisam ser postas de lado para ele alcançar um ótimo desempenho.
A tecnologia "usa técnicas de classificação rápidas para determinar o impacto de diferentes alocações de recursos e atribuições sobre o desempenho da carga de trabalho", eles escrevem.
O que isto significa é que leva algumas amostras de uma nova aplicação, em seguida, interrompe o aplicativo, compara as amostras contra outros aplicativos executados anteriormente, e faz suposições de atribuição de recursos com base nessa representação combinado. Leva estas amostras em quatro vetores - scale-up, scale-out, de interferência e de heterogeneidade, e passa a saída para um programador.
"Você pode imaginar que precisamos 1000 números para descrever o comportamento do programa e só tem uma ou duas. A nossa forma de obter o outro 998 está usando classificação. Nós usamos o modelo da mesma forma a ser capaz de recomendar livros ou filmes, "Kozyrakis nos diz.
O sistema global pode lidar com cargas de trabalho dinâmicas, permitindo-lhe atribuir novos recursos como uma aplicação cresce (ou diminui). "O objetivo do programador é alocar o mínimo de recursos necessários para satisfazer a meta de desempenho de uma carga de trabalho", escrevem eles.
A abordagem "melhora a utilização do servidor no status estável em 47 por cento, em média, a carga elevada no cluster de 200 servidores, ao mesmo tempo, melhorar o desempenho de cargas de trabalho individuais em comparação com os esquemas alternativos", escrevem eles.
Atualmente ele suporta estruturas distribuídas Analytics, armazenamentos de dados NoSQL, as cargas de trabalho em lote de nó simples e aplicativos de servir web.
No futuro, os pesquisadores planejam fundir a classificação Quasar e algoritmos de programação no quadro de gerenciamento de cluster de como OpenStack ou mesos, eles escrevem.
Quasar é mais um exemplo do ritmo febril de desenvolvimento em gerenciamento de cluster de grande escala, e provavelmente tem semelhanças com as-ainda esquemas secretos curso no Google, Amazon e Microsoft. O aumento da virtualização deu a indústria de TI um indulto gastos, aumentando a utilização do hardware e, agora, sistemas como o conjunto olhar Quasar para deixar admins economizar ainda mais dinheiro. ®
Nenhum comentário:
Postar um comentário