Editorial Ilmu Komputer & AI
Open AccessOA2026
CLASP: Penskalaan dan Penempatan Operator yang Sadar Permintaan Berantai untuk Pemrosesan Aliran Serverless
Strategi penskalaan dan penjadwalan runtime untuk pemrosesan aliran serverless stateful yang memperhitungkan overhead permintaan berantai guna meningkatkan throughput dan latensi.
Tianyu Qi; Maria A. Rodriguez; Rajkumar Buyya· 2026· DOI 10.48550/arXiv.2608.29103
Masalah inti
Lingkungan serverless stateful (Function-as-a-Service), tempat worker menjalankan state server, semakin banyak diadopsi untuk pemrosesan aliran. Aplikasi aliran disusun sebagai pipeline operator, masing-masing meneruskan data antara ke hilir melalui permintaan berantai. Saat laju input berfluktuasi, sistem harus menyesuaikan paralelisme operator secara dinamis dan menempatkan instance di seluruh worker untuk mempertahankan laju masuk. Pendekatan penskalaan yang ada sering mengabaikan overhead permintaan berantai, sehingga terjadi kesalahan estimasi jumlah worker yang dibutuhkan. Kekurangan sumber daya menyebabkan ketidakmampuan mengikuti laju input, sedangkan kelebihan sumber daya meningkatkan permintaan berantai antar-worker, yang menaikkan latensi end-to-end. CLASP mengatasi kesenjangan ini dengan memodelkan secara eksplisit biaya eksekusi dan biaya permintaan berantai.
Inovasi
Evaluasi eksperimen menunjukkan bahwa CLASP mengungguli strategi penskalaan terkini. Secara spesifik, CLASP meningkatkan throughput hingga 3,3x dan menurunkan median latensi end-to-end hingga 76%. Keuntungan ini disebabkan oleh estimasi biaya yang akurat dan penempatan operator yang efisien, yang menghindari kekurangan maupun kelebihan sumber daya. Hasil ini menyoroti pentingnya mempertimbangkan overhead permintaan berantai dalam lingkungan pemrosesan aliran serverless.
Lingkungan serverless stateful (Function-as-a-Service), tempat worker menjalankan state server, semakin banyak diadopsi untuk pemrosesan aliran. Aplikasi aliran disusun sebagai pipeline operator, masing-masing meneruskan data antara ke hilir melalui permintaan berantai. Saat laju input berfluktuasi, sistem harus menyesuaikan paralelisme operator secara dinamis dan menempatkan instance di seluruh worker untuk mempertahankan laju masuk. Pendekatan penskalaan yang ada sering mengabaikan overhead permintaan berantai, sehingga terjadi kesalahan estimasi jumlah worker yang dibutuhkan. Kekurangan sumber daya menyebabkan ketidakmampuan mengikuti laju input, sedangkan kelebihan sumber daya meningkatkan permintaan berantai antar-worker, yang menaikkan latensi end-to-end. CLASP mengatasi kesenjangan ini dengan memodelkan secara eksplisit biaya eksekusi dan biaya permintaan berantai.
CLASP beroperasi pada runtime, memperkirakan biaya eksekusi dan biaya permintaan berantai dari metrik yang diamati. CLASP menggunakan model kapasitas yang menggabungkan kedua biaya tersebut untuk menentukan paralelisme operator dan penempatan yang optimal. Model ini memastikan operator dikemas ke jumlah worker paling sedikit yang mampu mempertahankan laju input target. Setelah keputusan penskalaan dibuat, CLASP memigrasikan state setiap operator beserta instance-nya untuk meminimalkan waktu jeda eksekusi. Model kapasitas dapat diformalkan sebagai berikut: total biaya per worker adalah jumlah dari biaya eksekusi dan biaya permintaan berantai , dengan kendala bahwa total kapasitas pemrosesan memenuhi atau melampaui laju input target . Masalah optimasi adalah meminimalkan jumlah worker sehingga
. CLASP menyelesaikan ini secara dinamis seiring metrik berkembang.
Mengapa penting
Wawasan kunci CLASP adalah bahwa overhead permintaan berantai berdampak signifikan terhadap kinerja pemrosesan aliran serverless. Dengan memasukkan biaya ini ke dalam keputusan penskalaan, CLASP mencapai penggunaan sumber daya yang lebih efisien. Mekanisme migrasi state lebih lanjut mengurangi waktu jeda, memastikan transisi yang lancar selama penskalaan. Meskipun CLASP menunjukkan hasil yang menjanjikan, pekerjaan mendatang dapat mengeksplorasi adaptasi terhadap beban kerja heterogen dan integrasi dengan platform serverless lain. Kandidat taksonomi (Arsitektur, Keamanan Siber, Jaringan, Kriptografi) menunjukkan potensi persinggungan dengan keamanan dan optimasi jaringan, meskipun pekerjaan saat ini berfokus pada kinerja.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…