서비스 맞춤형 컨테이너를 위한 블록 입출력 히스토리 학습 기반 컨테이너 레이어 파일 시스템 선정 기법 = A Method of Selecting Layered File System Based on Learning Block I/O History for Service-Customized Container

국문 초록 (Abstract)

OS-level의 가상화 기술은 애플리케이션을 배포하기 위한 새로운 패러다임으로, 기존의 가상화 기술인 가상 머신을 대체할 수 있는 기술로서 주목받고 있다. 특히 컨테이너는 기존의 리눅스 컨테이너에 유니온 마운트 포인트(Union Mount Point) 와 레이어 구조의 이미지를 적용함으로써 보다 빠르고 효율적인 애플리케이션의 배포가 가능하다. 이러한 컨테이너의 특징들은 스냅숏 기능을 제공하는 레이어 구조의 파일 시스템에서만 사용될 수 있으며, 애플리케이션의 특징에 따라 적절한 레이어 파일 시스템을 선택하는 것이 요구된다. 따라서 본 논문에서는 대표적인 레이어 파일 시스템들의 특징을 조사한 뒤, 레이어 파일 시스템의 동작 원리인 Allocate-on-Demand 및 Copy-up 방식에 따른 파일 시스템의 쓰기 성능 평가를 수행한다. 또한 각 레이어 파일 시스템 방식의 블록 입출력 사용 데이터를 학습한 인공 신경망을 통해 임의의 애플리케이션에 대해 적합한 레이어 파일 시스템 방식을 결정하는 방법을 제시하고 이에 대한 타당성을 검토한다.

다국어 초록 (Multilingual Abstract)

Virtualization technique of OS-level is a new paradigm for deploying applications, and is attracting attention as a technology to replace traditional virtualization technique, VM (Virtual Machine). Especially, docker containers are capable of distributing application images faster and more efficient than before by applying layered image structures and union mount point to existing linux container. These characteristics of containers can only be used in layered file systems that support snapshot functionality, so it is required to select appropriate layered file systems according to the characteristics of the containerized application. We examine the characteristics of representative layered file systems and conduct write performance evaluations of each layered file systems according to the operating principles of the layered file system, Allocate-on-Demand and Copy-up. We also suggest the method of determining a appropriate layered file system principle for unknown containerized application by learning block I/O usage history of each layered file system principles in artificial neural network. Finally we validate effectiveness of artificial neural network created from block I/O history of each layered file system principles.

참고문헌 (Reference)

1 박중오, "클라우드 서비스 기술동향: 구글 머신러닝을 중심으로" 23 (23): 4-12, 2016

2 X. Wu, "TotalCOW: Unleash the power of copy-on-write for thin-provisioned containers" ACM 2015

3 Bonwick, Jeff, "The zettabyte file system" 215 : 2003

4 Abadi, Martín, "Tensorflow: Large-scale machine learning on heterogeneous distributed systems"

5 "Scikit-learn Documentation"

6 Dawidek Pawel Jakub, "Porting the Solaris ZFS file system to the FreeBSD operating system" 32 (32): 19-24, 2007

7 Xu, Qiumin, "Performance analysis of containerized applications on local and remote storage" 2017

8 Dua, Rajdeep, "Performance analysis of Union and CoW File Systems with Docker" 2016

9 P. Bellavista, "Feasibility of Fog Computing Deployment based on Docker Containerization over RaspberryPi" ACM 2017

10 D. Merkel, "Docker: Lightweight Linux Containers for Consistent Development and Deployment" 2014 (2014): 2014

11 "Docker Documentation"

12 Xiao, Weijun, "Design and analysis of block-level snapshots for data protection and recovery" 58 (58): 1615-1625, 2009

13 T. Inagaki, "Container management as emerging workload for operating systems" 2016

14 J. Eder, "Comprehensive Overview of Storage Scalability in Docker"

15 Felter, Wes, "An updated performance comparison of virtual machines and linux containers" 2015