A one-year measurement of quota-induced waste in private clouds
Diese Arbeit analysiert ein Jahr an operativen Daten einer Private Cloud, um aufzuzeigen, dass das quotenbasierte Ressourcenmanagement in Kombination mit dem Nutzerverhalten der Bereitstellung für Spitzenlasten sowie administrativer Überbuchung zu erheblichen Ineffizienzen führt, die durch anhaltende Quota-Erschöpfung trotz verfügbarer Kapazität und lang anhaltende VM-Leerlaufzeiten gekennzeichnet sind.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der Welt der Computertechnik gibt es ein ständiges Spannungsfeld zwischen dem Vorhandensein von genügend Leistung für eine Aufgabe und der Verschwendung dieser Leistung, wenn sie im Leerlauf verharrt. Öffentliche Cloud-Dienste, wie sie von großen Unternehmen genutzt werden, lösen dies oft dadurch, dass sie Nutzer für jede Sekunde der verbrauchten Computerzeit zur Kasse bitten. Dieser Preis wirkt wie eine natürliche Bremse; wenn ein Server keine nützliche Arbeit verrichtet, hört der Nutzer auf, dafür zu bezahlen, und schaltet ihn ab. Private Clouds funktionieren hingegen anders. Dies sind dedizierte Rechenumgebungen, die Universitäten, Forschungslaboren oder großen Unternehmen gehören, in denen die Nutzer nicht für die Ressourcen, die sie beanspruchen, eine Rechnung bezahlen. Stattdessen setzen Administratoren ein festes Limit, bekannt als Kontingent (Quota), wie viel Rechenleistung jedes Team reservieren darf. Die Idee ist simpel: Jedem Team einen fairen Anteil an der Gesamtkapazität zu geben, damit eine Gruppe nicht alles verschlingt. Doch ohne einen Preis, der zur Vermeidung von Verschwendung anregt, kann eine seltsame Dynamik entstehen. Teams könnten so viel Rechenleistung beanspruchen, wie sie ihnen erlaubt ist, nur für den Fall, dass sie sie später benötigen, wodurch diese Leistung leer liegen bleibt, während andere Teams Schwierigkeiten haben, überhaupt Platz zu finden.
Forscher der Federal University of Campina Grande in Brasilien und der Universität Piemonte Orientale in Italien beschlossen, diese unsichtbare Verschwendung zu untersuchen. Sie beobachteten ein volles Jahr lang, von Mai 2024 bis Mai 2025, den digitalen Herzschlag einer privaten Cloud, die von ihrer eigenen Universität genutzt wird. Dieses System, das auf der Open-Source-Software OpenStack basiert, bedient hunderte Forscher und Studenten. Es ist eine gewaltige Maschine, die in der Lage ist, über tausend virtuelle Computer gleichzeitig auszuführen, mit einer Gesamtspeicherkapazität von 1.024 Gigabyte. Das Team betrachtete nicht nur, wie viel Leistung genutzt wurde; sie untersuchten, wie viel Leistung reserviert gegenüber der tatsächlich arbeitenden Leistung stand. Sie sammelten über 64 Millionen Datenpunkte und verfolgten dabei jede virtuelle Maschine, jedes Projekt und jedes fünfminütige Aktivitätsintervall. Ihr Ziel war es herauszufinden, ob die Regeln, die dazu bestimmt waren, die Dinge fair zu gestalten, tatsächlich dazu führten, dass das System ineffizient wurde.
Was sie fanden, war ein System, das in einem Paradoxon seiner eigenen Entstehung gefangen war. Die Cloud wurde mit einer Sicherheitsmarge konzipiert, was bedeutet, dass die gesamte Rechenleistung, die allen Teams kombiniert versprochen wurde, tatsächlich größer war, als die physische Maschine auf einmal halten konnte. Dies ist eine gängige Praxis namens „Overselling“ (Überverkauf), die auf der Hoffnung basiert, dass nicht jeder im exakt gleichen Moment seinen vollen Anteil benötigt. In der Realität erreichte die physische Maschine selten ihr Limit; sie war an nur etwa 3 Prozent der Tage vollständig ausgelastet. Doch trotz dieser Fülle an freiem Raum wurden viele Teams ständig daran gehindert, neue virtuelle Maschinen zu erstellen. Die Forscher entdeckten, dass mindestens die Hälfte der Projekte an eine Wand stieß, bei der sie nicht einmal den kleinstmöglichen Computer bereitstellen konnten, weil sie ihr persönliches Kontingent ausgeschöpft hatten. Etwa 14 Prozent dieser Projekte befanden sich während der gesamten Studiendauer in diesem Zustand. Noch aussagekräftiger war, dass rund 27 Prozent der Projekte daran gehindert wurden, neue Maschinen hinzuzufügen, selbst wenn der gesamte Cluster nur 70 bis 80 Prozent seines physischen Speichers nutzte. Der Engpass war nicht ein Mangel an Hardware; es waren die starren Regeln des Kontingentsystems selbst.
Der Grund für diese Blockade liegt darin, wie sich die Nutzer verhalten, wenn es keinen Preis gibt, um Ressourcen zu halten. Die Studie offenbarte ein Muster der Ressourcenhortung. Wenn ein Team ein Kontingent erhält, neigt es dazu, seinen vollen Anteil sofort zu beanspruchen, indem es oft virtuelle Maschinen bereitstellt, lange bevor es sie tatsächlich benötigt. Diese Maschinen verharren dann im Leerlauf, verbrauchen ihren Anteil am Kontingent, während das Team auf ein zukünftiges Projekt wartet. Die Forscher maßen dies, indem sie untersuchten, wie viel Zeit eine virtuelle Maschine tatsächlich mit Arbeiten verbrachte im Vergleich zu der Zeit, in der sie nichts tat. Sie definierten „sinnvolle Nutzung“ als Zeiten, in denen der Prozessor aktiv rechnete, wobei Zeiten ignoriert wurden, in denen die Maschine lediglich Daten im Speicher hielt. Die Ergebnisse waren drastisch: Über das gesamte System hinweg verbrachten virtuelle Maschinen mehr als doppelt so viel Zeit im Leerlauf wie in sinnvoller Nutzung. Während etwa die Hälfte der Maschinen am Tag ihrer Erstellung mit der Arbeit begann, verharrte eine signifikante Anzahl wochenlang oder sogar monatelang völlig ungenutzt.
Dieses Verhalten erzeugt einen Teufelskreis. Da die Nutzer nicht sicher sein können, dass sie Ressourcen später zurückerhalten, falls sie diese aufgeben, halten sie sie fest umschlungen. Sie erstellen heute eine virtuelle Maschine, lassen sie ohne Inhalt laufen und behalten sie dort für Wochen oder Monate, nur um sicherzustellen, dass sie verfügbar ist, wenn eine Frist ansteht. Dies ist eine rationale Entscheidung für das einzelne Team, aber katastrophal für das Gesamtsystem. Es bedeutet, dass während ein Team auf einem Haufen ungenutzter Rechenleistung sitzt, ein anderes Team kein neues Projekt starten kann, weil sein Kontingent voll ist. Die Forscher stellten fest, dass dies nicht ein Versagen der Hardware oder ein Mangel an Nachfrage ist; es ist ein Versagen der Anreizstruktur. Ohne einen Preis für die Leerlaufzeit und ohne eine Möglichkeit, den zukünftigen Zugriff durch ein Reservierungssystem zu garantieren, ist die einzige sichere Strategie für einen Nutzer das Horten.
Die Studie legt nahe, dass die Lösung nicht einfach darin besteht, größere Maschinen zu bauen oder mehr Kontingente auszugeben, da dies wahrscheinlich nur zu mehr Hortung führen würde. Stattdessen müssen die Administratoren die Regeln des Spiels ändern. Sie könnten Mechanismen einführen, die es Nutzern ermöglichen, Ressourcen für eine bestimmte zukünftige Zeit zu reservieren, was ihnen die Sicherheit gibt, die sie derzeit suchen, ohne sie dazu zu zwingen, ungenutzte Maschinen vor sich herzuschleppen. Sie könnten auch Systeme implementieren, die erkennen, wenn eine Maschine zu lange ungenutzt war, und diesen Platz automatisch für andere zurückfordern. Die Daten zeigen, dass eine enorme Menge an potenzieller Rechenleistung verschwendet wird – nicht weil sie kaputt ist, sondern weil die Menschen, die sie nutzen, ein Spiel spielen, dessen Regeln sie dazu anregen, sich alles zu greifen und zu behalten. Durch das Verständnis dieses Verhaltens hoffen die Forscher, private Clouds zu entwerfen, die nicht nur in der Theorie fair, sondern auch in der Praxis effizient sind, um sicherzustellen, dass die mächtigen Maschinen, die für die Forschung gebaut wurden, auch tatsächlich für die Forschung genutzt werden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.