Timespan: 2.18
Akshat Verma, Puneet Ahuja, and Anindya Neogi. 2008. pMapper: power and migration cost aware application placement in virtualized systems. In Proceedings of the 9th ACM/IFIP/USENIX International Conference on Middleware (Middleware '08), Valérie Issarny and Rick Schantz (Eds.). Springer-Verlag New York, Inc., New York, NY, USA, 243-264. (gs:169)
作者Akshat Verma是印度IBM的Senior Researcher & Manager- IT Optimization，研究兴趣包括"algorithmic optimization, web server resource allocation,power and virtualization management"等，目前具体的研究方向有两个：Cloud Steady State Management(在私有云中根据workloads和applications自动分配资源)和Migration to Cloud。论文列表见其主页。
1. 这篇论文研究在满足QoS前提下使得迁移成本和迁移后能耗综合最优的问题。文中对QoS没有展开研究，使用VM size来对应QoS要求(S5)；迁移成本是指总迁移时间、迁移过程对应用造成的性能影响(S3.2)。问题被建模为装箱问题，并使用FFD方法进行求解。
2. (S2.1)介绍了pMapper (power-aware application placement framework)的架构:
有三个managers:
- Performance Manager：管理soft-action(比如VM re-sizing)
- Power Manager：负责hardware层的power management
- Migration Manager：与Virtualization Manager交互
3. (S2.2)介绍了三种不同目标的优化策略：
Cost Performance Tradeoff: 基于每个应用的工作量预测，通过VM resizing和placement，使得"cost-performance tradeoff"最优。
其中B表示性能，P表示能耗，Mig表示迁移成本。
Cost Minimization with Performance Constraint:在满足QoS约束前提下，使得成本最低。
Performance Benefit Maximization with Power Constraints: 在能耗约束下，使性能好处最大化。
4. (S3)讨论了迁移成本、能耗的模型及相关假设
(1) (S3.1)实验验证表明虚拟化技术可以有效地对VMs进行资源（主要指CPU、memory）隔离，原文"for a large range of application use (small and large working set sizes), virtualization is able to successfully isolate two VMs from each other."。
(2) (S3.2)对迁移成本进行建模，这篇论文里提到的迁移成本仅包括：总迁移时间、迁移过程对应用造成的性能影响。文中认为迁移成本仅与VM特征相关，而与backgroud load无关，因此可以事先估计。
(3) (S3.3)则介绍了能耗模型。作者认为要准确计算单个应用的能耗是不可行的，能耗优化方法也不需要这些确切的信息。文中能耗优化算法可以解决的问题是：如何放置一个新的应用，使得增加的能耗最小？采用此种方法得到的是局部的最优解。
为了解决这个问题，这一章提出并验证了两个性质：ordering property & background independence property。(文中哪里提到了："新部署一个应用"与"PM新增能耗"的定量关系？)
5. 基于前几章节的分析和模型，(S4)提出了具体的算法，针对的目标是在满足QoS约束前提下，使得总成本最低。
算法假定：performance manager可以根据性能要求提供对应的VM size(VM size是指CPU和memory吗？)（即算法里不需要考虑具体的QoS指标）。
应用部署问题被建模为"bin-packing problem with differently sized bins"，使用First-Fit Decreasing (FFD)进行求解。
6. 这些部分没有精读： 算法细节(S4.2)、 实现与验证(S5)