Wall Street risicomodellen verbeteren cloud computing efficiëntie

• Het nieuwe wiskundige model evalueert de faalkans van links tussen datacenters wereldwijd.
• Het haalt inspiratie uit de financiële risicotheorie.
• Het kan cloud service providers helpen hun datacenterbronnen beter te benutten en miljoenen dollars te besparen.

Om bij te benen met de steeds groeiende vraag naar cloudopslag en cloud computing, besteden bedrijven miljoenen dollars aan het vergroten van de capaciteit van hun WAN-backbones.

Eén van de grootste uitdagingen is het behouden van een goed evenwicht tussen netwerkbeschikbaarheid en -benutting. Een hoog benut kanaal kan mogelijk geen plotselinge verkeerspiek aan, wat resulteert in knooppunt/link-fouten.

Om dit probleem aan te pakken, ontwikkelde een onderzoeksteam van MIT, Microsoft en Hebreeuwse Universiteit een nieuw wiskundig model dat inspiratie put uit financiële risicotheorie, wat aandelenbeleggers helpt hun rendement te maximaliseren terwijl financiële verliezen bij marktfluctuaties worden geminimaliseerd.

Het nieuwe model heet TeaVar (kort voor Traffic Engineering Applying Value at Risk). Het evalueert de faalkans van links tussen datacenters wereldwijd. Het evaluatieproces lijkt op het voorspellen van de volatiliteit van aandelen.

Het model optimaliseert vervolgens de verkeersverdeling (via verschillende links) om het algehele netwerkgebruik te maximaliseren, terwijl verlies wordt geminimaliseerd. Dit is het tegenovergestelde van de traditionele benadering die links idle houdt om plotselinge verkeerspieken af te vangen, wat te veel energie en bronnen verspilt.

Onderzoekers beweren dat hun model cloud service providers kan helpen hun datacenterbronnen beter te benutten en miljoenen dollars te besparen.

Hoe werkt 'TeaVar'?

Grote bedrijven die cloudservices aanbieden, gebruiken 'traffic engineering' (TE) tools om databandbreedte optimaal te verdelen over alle paden. Om maximale beschikbaarheid te garanderen, houden deze bedrijven verschillende links op lage benutting. Veel netwerklinks werken niet op hoge benutting: ze sturen niet zoveel verkeer als ze zouden kunnen.

Dus is er een tradeoff tussen netwerkbenutting en netwerkbeschikbaarheid. Dit is waar conventionele TE-technieken falen.

Referentie: MIT | GitHub

In elk netwerk zijn databandbreedte-stukken vergelijkbaar met 'geld' geïnvesteerd in de markt, en instrumenten met verschillende faalkansen zijn vergelijkbaar met 'aandelen' en hun onzekere waarden. Met dit concept ontwikkelde het onderzoeksteam een 'risicobewuste' methodologie die zorgt dat data zijn bestemming bereikt met minimaal verkeersverlies tijdens worst-case falingsomstandigheden.

Hun benadering stelt bedrijven in staat om het benutting-beschikbaarheidsevenwicht te vinden dat het beste bij hun doel past. TeaVar adress algorithmische uitdagingen gerelateerd aan tractabiliteit van risicominimalisatie, alsook operationele uitdagingen.

TeaVar toepassen op real-world data

Ze testten dit model tegen conventionele TE-tools op gesimuleerd verkeer dat via ATT, IBM, Google-netwerken werd overgedragen. Ze produceerden ook verschillende falingsomstandigheden gebaseerd op de kans van hun optreden.

Lees: Microsoft Heeft Een Volledig Geautomatiseerd DNA Data Storage Systeem Gebouwd

Uiteindelijk pasten ze TeaVar toe op real-world data en vonden dat het tot twee keer zoveel verkeer kan ondersteunen als conventionele TE-methoden bij hetzelfde beschikbaarheidsniveau. Het model was in staat om betrouwbare links bijna vol capaciteit te laten draaien, terwijl data werd gestuurd van riskantere paden.