استفاده از اسرار وال استریت برای کاهش هزینه های زیرساخت های ابر

سرمایه گذاران بورس اوراق بهادار اغلب به تئوری های ریسک مالی تکیه می کنند که در ضمن به حداقل رساندن ضرر مالی به دلیل نوسانات بازار ، به حداکثر رساندن بازده کمک می کنند. این نظریه ها به سرمایه گذاران کمک می کنند تا یک سبد متعادل را حفظ کنند تا اطمینان حاصل کنند که آنها هرگز پول بیشتری از آنچه مایل به اشتراک در هر زمان معینی نیست را از دست نخواهند داد.

با الهام از این تئوری ها ، محققان MIT با همکاری مایکروسافت یک مدل ریاضی "آگاه از خطر" تهیه کرده اند که می تواند عملکرد شبکه های رایانش ابری را در سراسر جهان بهبود بخشد. نکته قابل توجه ، زیرساخت های ابری بسیار گران است و انرژی زیادی در جهان مصرف می کند.

مدل آنها احتمالات عدم موفقیت پیوندها بین مراکز داده در سراسر جهان را در نظر می گیرد - مشابه پیش بینی نوسانات سهام. سپس ، یک موتور بهینه سازی را برای تخصیص ترافیک از طریق مسیرهای بهینه برای به حداقل رساندن تلفات ، در حالی که حداکثر استفاده کلی از شبکه را دارد ، اجرا می کند.

این مدل می تواند به ارائه دهندگان عمده خدمات ابری از جمله مایکروسافت ، آمازون و Google کمک کند تا از زیرساخت های خود بهتر استفاده کنند. رویکرد متعارف این است که پیوندها را بیکار نگه دارید تا بتوانید از ترافیک غیر منتظره ناشی از خرابی لینک جلوگیری کنید ، این اتلاف انرژی ، پهنای باند و منابع دیگر است. از طرف دیگر مدل جدید با نام TeaVar تضمین می کند که برای درصد مشخصی از زمان (مثلاً 99.9 درصد) این شبکه می تواند تمام ترافیک داده ها را اداره کند ، بنابراین نیازی به نگه داشتن هرگونه لینک در کار نیست. در طی آن 0.01 درصد از زمان ، مدل همچنین داده ها را تا حد ممکن پایین نگه می دارد.

در آزمایشات مبتنی بر داده های دنیای واقعی ، این مدل سه برابر توان ترافیک را به عنوان روش های سنتی مهندسی ترافیک پشتیبانی می کند ، در حالی که همان سطح بالایی از دسترسی شبکه را حفظ می کند. مقاله ای که مدل و نتایج را توصیف می کند ، در کنفرانس ACM SIGCOMM این هفته ارائه خواهد شد.

استفاده بهتر از شبکه می تواند میلیون ها دلار در ارائه دهندگان خدمات صرفه جویی کند ، اما مزایا "آن را برای مصرف کنندگان کاهش می دهد" ، می گوید: مؤسس ، مانتا قبادی ، استادیار پیشرفت شغلی TIBCO در گروه MIT مهندسی برق و علوم کامپیوتر و محقق رایانه آزمایشگاه علوم و هوش مصنوعی (CSAIL).

قبادی می گوید: "داشتن زیرساخت های مورد استفاده بیشتر فقط برای خدمات ابری مناسب نیست بلکه برای جهان نیز بهتر است." "شرکت ها مجبور نیستند به همان اندازه زیرساخت ها را برای فروش خدمات به مشتریان خریداری کنند. بعلاوه ، با استفاده از منابع دیتاسنتر می توان مقادیر عظیمی از مصرف انرژی توسط زیرساخت های ابر صرفه جویی کرد. بنابراین ، هم برای کاربران و هم برای محیط زیست فوایدی دارد. همزمان."

 
شاگردانش جرمی گوگل و نیکیل بااتیا ، هر دو از CSAIL ، به کاغذ پیوستند. ایشای مناچه و نیکلاج بیورنر از تحقیقات مایکروسافت؛ و اسف والادارسکی و مایکل شاپیرا از دانشگاه عبری.

روی پول

ارائه دهندگان خدمات ابر از شبکه های کابلهای فیبر نوری که در زیر زمین کار می کنند ، استفاده می کنند و مراکز داده را در شهرهای مختلف متصل می کنند. برای هدایت ترافیک ، ارائه دهندگان به نرم افزار "مهندسی ترافیک" (TE) تکیه می کنند که پهنای باند داده را بهینه می کند - مقدار داده ای که می تواند در یک زمان منتقل شود - از طریق تمام مسیرهای شبکه.

هدف اطمینان از حداکثر دسترسی کاربران در سراسر جهان است. اما این مسئله چالش برانگیز است که برخی از پیوندها می توانند به طور غیر منتظره از بین بروند ، به دلیل افت کیفیت سیگنال نوری ناشی از قطع شدن یا قطع شدن خط در طول ساخت و ساز ، از جمله سایر عوامل. برای مقاومت در برابر شکست ، ارائه دهندگان بسیاری از لینک ها را در استفاده بسیار کم نگه می دارند ، در انتظار برای جذب بارهای کامل داده از لینک های فرو رفته.

بنابراین ، این یک معامله دشوار بین در دسترس بودن شبکه و استفاده از شبکه است ، که می تواند ورودی های بالاتر داده را فعال کند. محققان می گویند که این روشها روشهای سنتی TE با شکست مواجه می شوند. آنها مسیرهای بهینه ای را بر اساس فاکتورهای مختلف پیدا می کنند ، اما هرگز قابلیت اطمینان لینک ها را کم نمی کنند. گوگل می گوید: "آنها نمی گویند ، این پیوند احتمال بالاتر و بالاتر بودن را دارد ، بنابراین این بدان معنی است که شما باید در اینجا بیشتر رفت و آمد کنید." "اکثر پیوندها در یک شبکه با کم مصرفی کار می کنند و به همان اندازه که می توانند ارسال کنند ، ترافیکی ارسال نمی کنند."

در عوض محققان یک مدل TE طراحی کردند که ریاضیات اصلی را از "ارزش شرطی در معرض خطر" تطبیق دهد ، یک اقدام ارزیابی ریسک است که میانگین ضرر و زیان را تعیین می کند. با سرمایه گذاری در سهام ، اگر یک روزه 99 درصد ارزش شرطی را در خطر 50 دلار داشته باشید ، انتظار می رود ضرر شما در سناریو 1 درصد بدترین حالت در آن روز 50 دلار باشد. اما 99 درصد از زمان ، خیلی بهتر عمل خواهید کرد. این معیار برای سرمایه گذاری در بورس سهام مورد استفاده قرار می گیرد - پیش بینی آن بسیار دشوار است.

قبادی می گوید: "اما ریاضیات در واقع مناسب تر برای زیرساخت های ابر ما است." "اکثراً خرابی لینک به دلیل سن تجهیزات است ، بنابراین احتمال خرابی با گذشت زمان تغییر نمی کند. این بدان معنی است که احتمال ما در مقایسه با بازار سهام قابل اعتماد تر است."

مدل آگاهی از خطر

در شبکه ها ، سهام پهنای باند داده شبیه به "پول" سرمایه گذاری شده است و تجهیزات شبکه با احتمالات مختلف خرابی "سهام" و عدم اطمینان آنها از تغییر ارزش هاست. محققان با استفاده از فرمول های اساسی ، مدل "آگاهی از ریسک" را طراحی کرده اند که ، مانند همتای مالی خود ، تضمین می کند که داده ها به 99.9٪ از زمان مقصد خود برسند ، اما در طی 0.1٪ سناریوهای ناگوارترین حالت ، افت ترافیکی را به حداقل می رساند. این امر به ارائه دهندگان ابر اجازه می دهد تا مبادلات تجاری-استفاده را تنظیم کنند.

محققان از نظر آماری سه سال قدرت سیگنال شبکه از شبکه های مایکروسافت را که به مراکز داده آن به توزیع احتمال خرابی لینک ها متصل می شوند ، نقشه برداری کردند . ورودی ، توپولوژی شبکه در یک نمودار است و جریانهای منبع داده از طریق خطوط (پیوندها) و گره ها (شهرها) به یکدیگر متصل می شوند و به هر لینک یک پهنای باند اختصاص داده می شود.

با بررسی کیفیت سیگنال هر پیوند هر 15 دقیقه احتمال شکست به دست آمد. اگر کیفیت سیگنال تا کنون زیر آستانه دریافت قرار گرفته باشد ، آنها فکر می کنند که یک خطای خطا است. هر آنچه در بالا بود به معنای پیوند بالا و در حال اجرا بود. از آن ، مدل زمان متوسطی را ایجاد می کند که هر پیوند به بالا یا پایین می رود و یک احتمال شکست — یا "خطر" را برای هر پیوند در هر پنجره زمان 15 دقیقه محاسبه می کند. از بین این داده ها ، می توان پیش بینی کرد که پیوندهای مخاطره آمیز در هر پنجره معینی از زمان چه موقع شکست می خورند

محققان این مدل را در برابر سایر نرم افزار TE در مورد ترافیک شبیه سازی شده ارسال شده از طریق شبکه های Google ، IBM ، ATT و دیگران که در سراسر جهان پخش شده اند ، آزمایش کردند. محققان سناریوهای مختلفی از شکست را بر اساس احتمال وقوع آنها ایجاد کردند. سپس ، آنها خواسته های داده های شبیه سازی شده و در دنیای واقعی را از طریق شبکه ارسال کردند و مدل های خود را برای شروع به توزیع پهنای باند ، مورد استناد قرار دادند.