Model Risiko Wall Street Meningkatkan Efisiensi Komputasi Cloud
- Model matematika baru mengevaluasi probabilitas kegagalan link antara datacenter secara global.
- Ini terinspirasi dari teori risiko keuangan.
- Ini dapat membantu penyedia layanan cloud untuk lebih baik memanfaatkan sumber daya datacenter mereka dan menghemat jutaan dolar.
Untuk tetap mengikuti permintaan yang terus meningkat untuk penyimpanan cloud dan komputasi cloud, perusahaan menghabiskan jutaan dolar untuk meningkatkan kapasitas WAN backbone mereka.
Salah satu tantangan utama adalah mempertahankan keseimbangan yang baik antara ketersediaan jaringan dan utilizasi. Saluran yang terlalu tinggi utilizasinya mungkin tidak dapat menangani lonjakan lalu lintas tiba-tiba, resulting in kegagalan node/link.
Untuk mengatasi masalah ini, tim peneliti di MIT, Microsoft, dan Hebrew University mengembangkan model matematika baru yang terinspirasi dari teori risiko keuangan, yang membantu investor saham memaksimalkan return mereka sambil meminimalkan kerugian keuangan dalam fluktuasi pasar.
Model baru disebut TeaVar (singkatan dari Traffic Engineering Applying Value at Risk). Ini mengevaluasi probabilitas kegagalan link antara datacenter secara global. Proses evaluasi mirip dengan meramalkan volatilitas saham.
Model kemudian secara optimal mengalokasikan lalu lintas (melalui berbagai link) untuk memaksimalkan penggunaan jaringan secara keseluruhan, sambil meminimalkan kerugian. Ini sangat berlawanan dengan pendekatan tradisional yang menjaga link idle untuk menangani lonjakan lalu lintas tiba-tiba, membuang terlalu banyak energi dan sumber daya.
Peneliti klaim bahwa model mereka dapat membantu penyedia layanan cloud untuk lebih baik memanfaatkan sumber daya datacenter mereka dan menghemat jutaan dolar.
Bagaimana Cara Kerja 'TeaVar'?
Perusahaan besar yang menyediakan layanan cloud menggunakan alat 'traffic engineering' (TE) untuk secara optimal mengalokasikan bandwidth data melalui semua jalur. Untuk menjamin ketersediaan maksimum, perusahaan ini menjaga beberapa link pada utilizasi rendah. Banyak link jaringan tidak beroperasi pada utilizasi tinggi: mereka tidak mengirim sebanyak lalu lintas yang bisa mereka kirim.
Oleh karena itu, ada tradeoff antara utilizasi jaringan dan ketersediaan jaringan. Itulah di mana teknik TE konvensional gagal.
Referensi: MIT | GitHub
Dalam jaringan apa pun, potongan bandwidth data mirip dengan 'uang' yang diinvestasikan di pasar, dan instrumen dengan probabilitas kegagalan yang berbeda mirip dengan 'saham' dan nilai tidak pastinya. Menggunakan konsep ini, tim penelitian mengembangkan metodologi 'berwawasan risiko' yang memastikan data akan mencapai tujuannya dengan kehilangan lalu lintas minimum selama kondisi kegagalan terburuk.
Pendekatan mereka memungkinkan perusahaan untuk mencapai keseimbangan utilizasi-ketersediaan yang paling sesuai dengan tujuan mereka. TeaVar mengatasi tantangan algoritmik terkait kelacakabilitas peminimalan risiko, serta tantangan operasional.
Menerapkan TeaVar pada 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 probabilitas kejadiannya.
Baca: Microsoft Telah Membangun Penyimpanan Data DNA yang Secara Otomatis Penuh
Akhirnya, mereka menerapkan TeaVar pada data dunia nyata dan menemukan bahwa ia dapat mendukung hingga dua kali lebih banyak lalu lintas dibandingkan metode TE konvensional pada tingkat ketersediaan yang sama. Model mampu menjaga link andal beroperasi hampir pada kapasitas penuh, sambil mengalihkan data dari jalur yang lebih berisiko.
