Editorial Ilmu Komputer & AI
Open AccessOA2026
Analisis dan Optimasi Berbasis Sumber Daya untuk Beban Kerja NoSQL menggunakan Metrik Distressed Resource Volume
Memperkenalkan DRV, LoadStar, Luna, dan Orbit: pipeline benchmark terbuka dan algoritma PAM untuk Cosmos DB yang memangkas penggunaan sumber daya hingga 35% sekaligus meningkatkan keandalan ekor pada skala cloud.
Gunika Verma; Aashutosh A; Pooja Srinivas; Yogesh Simmhan; Ayush Choure; Harshit Shah; Mayukh Das; Prashant Sasatte; Chetan Bansal; Abhijit Pai; Suraj Dixit; Achint Agrawalยท 2026ยท DOI 10.48550/arXiv.2608.09173
Masalah inti
Basis data cloud terkelola berskala besar mengandalkan algoritma Load Packing and Migration (PAM) yang canggih agar dapat berjalan efisien pada skala besar. Namun, penelitian untuk mengoptimalkan penggunaan sumber daya dan keandalan sistem ini terkendala oleh kelangkaan beban kerja NoSQL publik. Penulis mengatasi kesenjangan ini dalam konteks Cosmos DB, basis data NoSQL unggulan Microsoft yang dihosting di cloud. Kontribusi utama mereka ada empat: (1) beban kerja NoSQL open-source yang dikumpulkan dari klaster Cosmos DB nyata, (2) metrik keandalan baru bernama Distressed Resource Volume (DRV) yang menangkap kualitas layanan yang dialami pengguna akhir, (3) kerangka kerja simulasi kebijakan open-source bernama LoadStar, yang didukung model statistik non-parametrik dari QoS lalu lintas nyata, dan (4) masalah optimasi sumber daya untuk menempatkan replika Cosmos DB ke node VM, bersama model peramalan Luna dan algoritma PAM Orbit. Karya ini membentuk pipeline benchmark yang dapat digunakan kembali untuk memvalidasi kebijakan NoSQL berbasis sumber daya. Eksperimen yang divalidasi dengan LoadStar menunjukkan bahwa Orbit mengungguli kebijakan Cosmos DB yang ada dan baseline worst-fit yang
Inovasi
Eksperimen, yang divalidasi menggunakan LoadStar pada beban kerja yang dirilis, membandingkan Orbit dengan dua baseline: kebijakan Cosmos DB yang ada dan baseline worst-fit yang dioptimalkan. Di seluruh evaluasi ini, Orbit secara konsisten memberikan beban lebih tinggi pada tingkat kesalahan lebih rendah. Secara kuantitatif, penulis melaporkan pengurangan sumber daya hingga relatif terhadap baseline. Peningkatan ini dicapai sambil mempertahankan atau meningkatkan keandalan layanan, sebagaimana diukur oleh metrik DRV dan perilaku kesalahan ekor. Hasil ini menunjukkan bahwa penyeimbangan kembali replika yang tertekan yang digerakkan ramalan dapat sekaligus meningkatkan efisiensi dan QoS, mematahkan trade-off yang biasa antara minimalisasi sumber daya dan keandalan. Keuntungan yang dilaporkan tidak terbatas pada simulasi: pendekatan ini telah diterapkan di produksi, dengan potensi penghematan \100M$s per tahun sekaligus meningkatkan keandalan layanan bagi jutaan pelanggan. Kombinasi trace terbuka, kerangka kerja simulasi, dan algoritma PAM yang dapat diterapkan menyediakan pipeline benchmark yang dapat digunakan kembali untuk penelitian NoSQL berbasis sumber daya di masa depa
Basis data cloud terkelola berskala besar mengandalkan algoritma Load Packing and Migration (PAM) yang canggih agar dapat berjalan efisien pada skala besar. Namun, penelitian untuk mengoptimalkan penggunaan sumber daya dan keandalan sistem ini terkendala oleh kelangkaan beban kerja NoSQL publik. Penulis mengatasi kesenjangan ini dalam konteks Cosmos DB, basis data NoSQL unggulan Microsoft yang dihosting di cloud. Kontribusi utama mereka ada empat: (1) beban kerja NoSQL open-source yang dikumpulkan dari klaster Cosmos DB nyata, (2) metrik keandalan baru bernama Distressed Resource Volume (DRV) yang menangkap kualitas layanan yang dialami pengguna akhir, (3) kerangka kerja simulasi kebijakan open-source bernama LoadStar, yang didukung model statistik non-parametrik dari QoS lalu lintas nyata, dan (4) masalah optimasi sumber daya untuk menempatkan replika Cosmos DB ke node VM, bersama model peramalan Luna dan algoritma PAM Orbit. Karya ini membentuk pipeline benchmark yang dapat digunakan kembali untuk memvalidasi kebijakan NoSQL berbasis sumber daya. Eksperimen yang divalidasi dengan LoadStar menunjukkan bahwa Orbit mengungguli kebijakan Cosmos DB yang ada dan baseline worst-fit yang dioptimalkan, memberikan beban lebih tinggi pada tingkat kesalahan lebih rendah dan mengurangi sumber daya hingga . Hasil ini telah diterapkan di produksi, dengan potensi penghematan \100M$s per tahun sekaligus meningkatkan keandalan bagi jutaan pelanggan.
Metodologi berjalan dalam empat tahap. Pertama, penulis mengumpulkan dan membuka beban kerja NoSQL dari klaster Cosmos DB nyata, menyediakan korpus trace yang mencerminkan pola lalu lintas produksi. Kedua, mereka menurunkan metrik Distressed Resource Volume (DRV) dari trace ini untuk mengukur QoS pengguna akhir. DRV mengagregasi volume sumber daya yang beroperasi dalam kondisi distress, yaitu dalam keadaan yang menurunkan pengalaman pengguna. Secara formal, jika menyatakan indikator distress untuk replika pada waktu dan konsumsi sumber dayanya, maka formulasi representatifnya adalah:
Mengapa penting
Wawasan inti makalah ini adalah bahwa keandalan pada basis data NoSQL terkelola harus diukur dalam istilah sumber daya, bukan hanya dalam latensi atau jumlah kesalahan. DRV mengoperasionalkan hal ini dengan membobot sumber daya yang tertekan berdasarkan volumenya, menjadikannya sinyal QoS yang berpusat pada pengguna dan dapat dioptimalkan secara langsung. LoadStar mengatasi krisis reproduktibilitas dalam penelitian basis data cloud dengan menawarkan model statistik non-parametrik dari lalu lintas nyata, memungkinkan kebijakan diuji tanpa akses ke sistem produksi proprietary. Luna dan Orbit kemudian menutup siklusnya: Luna meramalkan distribusi beban masa depan, dan Orbit menggunakan ramalan tersebut untuk memicu dan menyeimbangkan kembali replika yang tertekan sebelum kesalahan ekor muncul. Sikap proaktif ini kontras dengan kebijakan PAM reaktif yang hanya merespons setelah degradasi terjadi. Pengurangan sumber daya dan potensi penghematan \100M$s/tahun yang dilaporkan menunjukkan bahwa pendekatan ini berskala secara ekonomis. Namun, karya ini juga menyiratkan pertanyaan terbuka: seberapa sensitif DRV terhadap definisi distress, seberapa baik Luna menggeneralisasi di seluruh pergeseran beban kerja, dan apa biaya migrasi serta jaminan stabilitas Orbit di bawah lalu lintas yang adversarial atau sangat bursty? Rilis open-source beban kerja dan LoadStar mengundang komunitas untuk menyelidiki pertanyaan-pertanyaan ini, memperluas taksonomi optimasi berbasis sumber daya untuk NoSQL dan sistem terdistribusi yang berdekatan.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten memberโฆ