Модели риска Уолл-стрит повышают эффективность облачных вычислений

Новая математическая модель оценивает вероятность сбоев каналов между центрами обработки данных

Она вдохновлена финансовой теорией риска. Она может помочь провайдерам облачных услуг лучше использовать ресурсы своих дата-центров и сэкономить миллионы долларов.

Чтобы 따라 за постоянно растущим спросом на облачное хранение и облачные вычисления, компании тратят миллионы долларов на увеличение пропускной способности своих глобальных сетей (WAN).

Одной из главных проблем является поддержание хорошего баланса между доступностью сети и ее использованием. Высоко загруженный канал может не справиться с внезапным скачком трафика, что приведет к отказу узла/канала.

Для решения этой проблемы исследовательская команда из MIT, Microsoft и Еврейского университета разработала новую математическую модель, вдохновленную финансовой теорией риска, которая помогает инвесторам фондового рынка максимизировать доход, минимизируя финансовые потери при колебаниях рынка.

Новая модель называется TeaVar (сокращение от Traffic Engineering Applying Value at Risk). Она оценивает вероятность отказа каналов между центрами обработки данных по всему миру. Процесс оценки аналогичен прогнозированию волатильности акций.

Затем модель оптимально распределяет трафик (через разные каналы) для максимизации общего использования сети, минимизируя потери. Это довольно противоположно традиционному подходу, который держит каналы в простое для обработки внезапных скачков трафика, тратя слишком много энергии и ресурсов.

Исследователи заявляют, что их модель может помочь провайдерам облачных услуг лучше использовать ресурсы своих дата-центров и сэкономить миллионы долларов.

Как работает «TeaVar»?

Крупные компании, предоставляющие облачные услуги, используют инструменты «traffic engineering» (TE) для оптимального распределения пропускной способности данных по всем путям. Чтобы гарантировать максимальную доступность, эти компании держат несколько каналов на низком уровне использования. Многие сетевые каналы не работают на высокой загрузке: они не передают столько трафика, сколько могли бы.

Таким образом, существует компромисс между использованием сети и ее доступностью. Именно здесь традиционные методы TE терпят неудачу.

Источник: MIT | GitHub

В любой сети фрагменты пропускной способности данных аналогичны «деньгам», вложенным в рынок, а инструменты с разными вероятностями отказа аналогичны «акциям» и их неопределенным значениям. Используя эту концепцию, исследовательская команда разработала методологию «осведомленности о риске», которая гарантирует, что данные достигнут пункта назначения с минимальными потерями трафика в худших условиях отказа.

Их подход позволяет компаниям найти баланс использование-доступность, который лучше всего соответствует их целям. TeaVar решает алгоритмические проблемы, связанные с трактуемостью минимизации риска, а также операционные проблемы.

Применение TeaVar к реальным данным

Они протестировали эту модель против традиционных инструментов TE на смоделированном трафике, передаваемом через сети ATT, IBM, Google. Они также создали несколько условий отказа на основе вероятности их возникновения.

Наконец, они применили TeaVar к реальным данным и обнаружили, что он может поддерживать до двойного трафика по сравнению с традиционными методами TE при том же уровне доступности. Модель смогла держать надежные каналы, работающие почти на полную мощность, перенаправляя данные от более рискованных путей.