정보과학회 컴퓨팅의 실제 논문지 (KIISE Transactions on Computing Practices)
Current Result Document :
| 한글제목(Korean Title) |
기계학습 기반 FaaS 클라우드 리전 선택 기법 |
| 영문제목(English Title) |
Machine Learning Based FaaS Cloud Region Selection Method |
| 저자(Author) |
조성배
한기준
김동균
Sungbae Jo
Kijun Han
Dongkyun Kim
|
| 원문수록처(Citation) |
VOL 27 NO. 07 PP. 0325 ~ 0330 (2021. 07) |
한글내용
(Korean Abstract) |
FaaS(Function as a Service)는 분산된 클라우드 자원에 함수를 등록하고 실행되는 횟수만큼 비용을 지불하는 방식의 클라우드 서비스를 말하며 이는 주로 서버리스(Serverless) 컴퓨팅을 구현하기 위해 사용된다. 주요 클라우드 공급업체가 현재 서버리스 컴퓨팅 플랫폼을 제공함에 따라 많은 서비스가 FaaS기반으로 구축되고 있다. 개별 함수는 전 세계 여러 지역에 흩어져있는 복수의 클라우드 리전(Region)에 배포할 수 있으며, 일반적으로 단순히 지리적으로 가장 가까운 리전의 함수를 선택하여 사용하게 된다. 하지만 로그를 분석해보면 지리적으로 가장 가까운 리전의 응답속도가 항상 가장 빠른 것이 아니라는 것을 알 수 있고, 보다 빠른 리전을 예측하여 선택할 수 있다면 추가적인 서비스 응답 속도 개선이 가능하다. 본 연구에서는 FaaS의 응답 시간을 기준으로 각 리전의 로그를 비교·분석하고 기계학습을 통해 최적의 지역을 예측하는 방법을 제시하고자 한다. |
영문내용
(English Abstract) |
FaaS (Function as a Service) is a cloud service that registers functions on distributed cloud resources and remunerates these cloud resources each time they run. FaaS is mainly used to implement serverless computing. As major cloud providers currently provide serverless computing platforms, many services are being built on the basis of FaaS. Individual functions can be deployed in multiple cloud regions scattered across multiple regions of the world, and in general, simply select and use the function in the geographically closest region. However, by analyzing the log, it can be seen that the response speed of the geographically closest region is not always the fastest, and service response speed could be improved if a faster region could be predicted and selected in advance. In this study, we compared and analyzed the log of each region based on the response time of FaaS and proposed a method to predict the optimal region through machine learning. |
| 키워드(Keyword) |
FaaS
서버리스
서버리스 컴퓨팅
클라우드 리전
기계 학습
XGBoost
Function as a Service (FaaS)
serverless computing
cloud region
machine learning
XGBoost
|
| 파일첨부 |
PDF 다운로드
|
