Rahasia Wall Street Dapat Membuat Cloud Computing Lebih Efisien

• Model matematika baru mengevaluasi kemungkinan kegagalan hubungan antara pusat data secara global.
• Ini mengambil inspirasi dari teori risiko keuangan.
• Ini dapat membantu penyedia layanan cloud memanfaatkan sumber daya pusat data mereka dengan lebih baik dan menghemat jutaan dolar.

Untuk memenuhi permintaan penyimpanan awan dan komputasi awan yang terus meningkat, perusahaan menghabiskan jutaan dolar untuk meningkatkan kapasitas tulang punggung WAN mereka.

Salah satu tantangan utama adalah menjaga keseimbangan yang baik antara ketersediaan dan pemanfaatan jaringan. Saluran yang banyak digunakan mungkin tidak dapat menangani lonjakan lalu lintas yang tiba-tiba, yang mengakibatkan kegagalan simpul/tautan.

Untuk mengatasi masalah ini, tim peneliti di MIT, Microsoft, dan Hebrew University mengembangkan model matematika baru yang mengambil inspirasi dari teori risiko keuangan, yang membantu investor pasar saham memaksimalkan keuntungan mereka sekaligus meminimalkan kerugian finansial dalam fluktuasi pasar.

Model baru ini disebut TeaVar (singkatan dari Traffic Engineering Applying Value at Risk). Ini mengevaluasi kemungkinan kegagalan hubungan antara pusat data secara global. Proses evaluasi mirip dengan memperkirakan volatilitas saham.

Model kemudian mengalokasikan lalu lintas secara optimal (melalui tautan yang berbeda) untuk memaksimalkan penggunaan jaringan secara keseluruhan, sambil meminimalkan kerugian. Ini sangat berlawanan dengan pendekatan tradisional yang membuat tautan tidak aktif untuk menangani lonjakan lalu lintas yang tiba-tiba, membuang terlalu banyak energi dan sumber daya.

Para peneliti mengklaim bahwa model mereka dapat membantu penyedia layanan cloud memanfaatkan sumber daya pusat data mereka dengan lebih baik dan menghemat jutaan dolar.

Bagaimana Cara Kerja 'TeaVar'?

Perusahaan besar yang menyediakan layanan cloud menggunakan alat 'rekayasa lalu lintas' (TE) untuk mengalokasikan bandwidth data secara optimal melalui semua jalur. Untuk menjamin ketersediaan maksimum, perusahaan-perusahaan ini menyimpan beberapa tautan dengan utilisasi rendah. Banyak tautan jaringan tidak beroperasi pada penggunaan yang tinggi:tautan tersebut tidak mengirimkan lalu lintas sebanyak yang dapat mereka kirim.

Dengan demikian, ada tradeoff antara pemanfaatan jaringan dan ketersediaan jaringan. Di sinilah teknik TE konvensional gagal.

Referensi:MIT | GitHub

Di jaringan mana pun, potongan bandwidth data mirip dengan 'uang' yang diinvestasikan di pasar, dan instrumen dengan probabilitas kegagalan yang berbeda mirip dengan 'saham' dan nilainya yang tidak pasti. Dengan menggunakan konsep ini, tim peneliti mengembangkan metodologi 'sadar risiko' yang memastikan data akan mencapai tujuannya dengan kehilangan lalu lintas minimum selama kondisi kegagalan terburuk.

Pendekatan mereka memungkinkan perusahaan untuk mencapai keseimbangan pemanfaatan-ketersediaan yang paling sesuai dengan tujuan mereka. TeaVar mengatasi tantangan algoritmik yang terkait dengan kemampuan traktat dari minimalisasi risiko, serta tantangan operasional.

Menerapkan TeaVar ke Data Dunia Nyata

Mereka menguji model ini terhadap alat TE konvensional pada lalu lintas simulasi yang ditransfer melalui jaringan ATT, IBM, Google. Mereka juga menghasilkan beberapa kondisi kegagalan berdasarkan kemungkinan terjadinya.

Baca:  Microsoft Telah Membuat Penyimpanan Data DNA yang Sepenuhnya Otomatis

Akhirnya, mereka menerapkan TeaVar ke data dunia nyata dan menemukan bahwa itu dapat mendukung lalu lintas hingga dua kali lebih banyak daripada metode TE konvensional pada tingkat ketersediaan yang sama. Model ini mampu menjaga tautan yang andal beroperasi hingga kapasitas hampir penuh, sambil mengarahkan data dari jalur yang lebih berisiko.