Online applications that serve global workload have become a norm and those applications are experiencing not only temporal but also spatial workload variations. In addition, more applications are hosting their backend tiers separately for benefits such as ease of management. To provision for such applications, traditional elasticity approaches that only consider temporal workload dynamics and assume well-provisioned backends are insufficient. Instead, in this article, we propose a new type of provisioning mechanisms—geo-elasticity, by utilizing distributed clouds with different locations. Centered on this idea, we build a system called DBScale that tracks geographic variations in the workload to dynamically provision database replicas at different cloud locations across the globe. Our geo-elastic provisioning approach comprises a regression-based model that infers database query workload from spatially distributed front-end workload, a two-node open queueing network model that estimates the capacity of databases serving both CPU and I/O-intensive query workloads and greedy algorithms for selecting best cloud locations based on latency and cost. We implement a prototype of our DBScale system on Amazon EC2’s distributed cloud. Our experiments with our prototype show up to a 66% improvement in response time when compared to local elasticity approaches.

中文翻译：

---

在数据库云中提供地理弹性的性能和成本考虑

服务于全球工作负载的在线应用程序已成为一种规范，这些应用程序不仅经历时间上的工作负载变化，而且还经历着空间上的工作负载变化。此外，为了便于管理等好处，越来越多的应用程序单独托管其后端层。为了提供此类应用程序，仅考虑临时工作负载动态并假设配置良好的后端的传统弹性方法是不够的。相反，在本文中，我们通过利用具有不同位置的分布式云，提出了一种新型的供应机制——地理弹性。围绕这个想法，我们构建了一个名为 DBScale 的系统，该系统跟踪工作负载的地理变化，以便在全球不同的云位置动态配置数据库副本。我们的地理弹性供应方法包括一个基于回归的模型，该模型从空间分布的前端工作负载推断数据库查询工作负载，一个双节点开放队列网络模型，用于估计为 CPU 和 I/O 密集型查询工作负载提供服务的数据库的容量贪心算法，用于根据延迟和成本选择最佳云位置。我们在 Amazon EC2 的分布式云上实现了我们的 DBScale 系统原型。与局部弹性方法相比，我们对原型的实验显示响应时间提高了 66%。一种双节点开放队列网络模型，可估计为 CPU 和 I/O 密集型查询工作负载提供服务的数据库的容量，以及根据延迟和成本选择最佳云位置的贪婪算法。我们在 Amazon EC2 的分布式云上实现了我们的 DBScale 系统原型。与局部弹性方法相比，我们对原型的实验显示响应时间提高了 66%。一种双节点开放队列网络模型，可估计为 CPU 和 I/O 密集型查询工作负载提供服务的数据库的容量，以及根据延迟和成本选择最佳云位置的贪婪算法。我们在 Amazon EC2 的分布式云上实现了我们的 DBScale 系统原型。与局部弹性方法相比，我们对原型的实验显示响应时间提高了 66%。