摘要：无服务器计算平台必须在适应高度突发且不可预测的工作负载的同时，确保服务质量（QoS）。为应对工作负载的波动并满足QoS要求及服务等级协议（SLA），这些平台依赖于自动资源伸缩机制。商业化的函数即服务（FaaS）平台采用不同的自动伸缩策略，以动态调整活跃函数实例的数量和可用的处理能力。本文对三种具有代表性的自动伸缩策略进行了建模与比较：按请求伸缩（SPR）、并发级别伸缩（CLS）以及基于指标的伸缩（MBS）。为了实现独立于各厂商专有实现的系统化评估，我们构建了一个统一的建模框架，将解析排队网络（QN）建模与基于Java建模工具（JMT）实现的排队Petri网（QPN）相结合，用于评估在两阶段超指数（H2）到达模式下的自动伸缩行为。评估采用四项系统级指标：吞吐量、平均响应时间、系统规模以及系统功耗。该框架能够刻画函数实例（FI）的动态激活、并发约束以及饱和状态下的队列积压现象。对比分析表明，在峰值性能与系统稳定性之间存在明显的权衡：SPR在中等负载下延迟最低，但在接近容量上限时较为脆弱；CLS受并发令牌控制，在突发性负载条件下对配置参数极为敏感；而MBS通过将利用率维持在临界区域以下，并在临界负载下避免队列的爆炸式增长，能够在整个工作负载范围内提供最为稳定的QoS。
提交历史
访问论文：
查看PDF
HTML（实验性）
TeX源代码
附加功能
音频摘要
当前浏览上下文：
参考文献与引用
Google 学术搜索
Semantic Scholar
书签
机构
arXivLabs 是一个框架，允许合作者直接在我们的网站上开发并共享新的 arXiv 功能。
无论是个人还是与 arXivLabs 合作的组织，都已认同并践行我们所倡导的开放、社区、卓越以及用户数据隐私等价值观。arXiv 致力于这些价值理念，并且只与同样秉持这些理念的合作伙伴开展合作。
您是否有一个能为 arXiv 社区创造价值的项目构想？欢迎了解更多关于 arXivLabs 的信息。