从变化中找到恒常：在IaaS云上重新审视网络性能意识的优化

在网络性能优化领域，传统的分布式应用优化方法依赖于网络拓扑结构的假设，以及直接使用多对网络性能的测量结果来作为性能优化的依据。然而，在IaaS（基础设施即服务）云环境中，网络拓扑结构对用户来说是不可见的，而且直接使用网络性能的测量可能无法代表长期的性能。随着虚拟化技术的广泛应用，如何在IaaS云上重新审视并优化网络性能意识成为一个新的研究课题。 这篇研究论文提出了一种新的优化方法，其核心思想是将网络性能的恒定成分从动态网络性能中分离出来，并通过数学方法——鲁棒主成分分析（RPCA）最小化二者之间的差异。研究者们利用这种恒定成分来指导网络性能意识的优化，并通过采用MPI的集体通信和通用拓扑映射以及两个现实世界中的应用实例——N体和共轭梯度（CG）方法来展示他们方法的有效性。实验在Amazon EC2上进行，并通过模拟验证了其在指导优化方面显著的性能提升。 云计算特别是IaaS云的出现为很多分布式应用提供了便捷的计算基础设施，例如许多科学和数据密集型应用已经部署在Amazon EC2、Windows Azure和Google Compute Engine等平台上。这些包括生命科学、物理、大数据处理以及其他在亚马逊案例研究中列出的应用。与传统的集群和网格计算环境相比，云计算提供的是一种按需虚拟机的计算资源和存储，用户可以通过信用卡从公共云提供者那里购买计算资源和存储空间。 文章中提到的网络性能意识优化（Network Performance Aware Optimization）是一个有效的方法，它能够针对传统网络环境中的分布式应用进行优化。然而，在IaaS云环境中，由于虚拟化的存在，网络拓扑结构对用户是不可见的。此外，直接使用一些测量得到的节点间网络性能数据可能会忽视了网络性能的长期稳定性。因此，为了在IaaS云上实现对网络性能的优化，研究者提出了一种新的优化框架，该框架能够从动态变化的网络性能中识别并分离出稳定的成分，并以此为基础进行网络优化。 鲁棒主成分分析（RPCA）是实现上述分离的关键数学方法。这种方法能够帮助我们在去除噪声的同时提取出网络性能数据中的主要特征，从而更好地进行性能优化。通过这种方法，研究者能够获得一种更加稳定和可靠的网络性能测量，使其能够更加有效地用于网络性能优化中。实验结果表明，该方法在处理MPI集体通信优化、通用网络拓扑映射以及N体模拟和共轭梯度优化等场景时，能显著提高性能。 这项研究工作揭示了在IaaS云环境上进行网络性能优化的新途径，为云计算环境下的分布式应用性能优化提供了新的理论和实践依据。随着云计算的进一步普及，这种针对云环境特点优化网络性能的方法将会越来越重要。研究者们的工作不仅有助于提升云计算用户的实际体验，也为云服务提供商在提供高质量服务方面提供了重要的参考。