TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol. 12, No. 10, Octobe r 20 14, pp. 7430  ~ 743 7   DOI: 10.115 9 1 /telkomni ka. v 12i8.543 3          7430     Re cei v ed  De cem ber 2 3 , 2013; Re vi sed  Jul y  29, 201 4 ;  Accepte d  Augu st 17, 201 4  An Elastic Data Intensive Computing Cluster on Cloud      Zhaolei Dua n *, Xueli Wu  Coll eg e of Co mputer an d Co mmunicati on E ngi neer in g, Z hengz ho u Univ e r sit y  of Li ght Industr y ,     Don g fen g  Roa d , Z hengzh ou,  Hen an Provi n c e , Chin a   *Corres p o ndi n g  author, e-ma i l :dua nzl@zz uli. edu.cn       A b st r a ct   In order to  me et the incr easi ng pr ocessi ng  de ma nd of  dat a inte nsive c o mp utin g, an  el asticdat a   intens ive co mputin g cluster  EDICC  is pr es ented. Us ing  l o cal res ourc e   and c l ou d res ource  at the s a me   time, EDIC C  has h i gh  avai l abil i ty an d rel i abil i ty, espec ia lly w hen flas h  crow d hap pe ns. EDICC co uld   acqu ire res our ce fro m  clo ud  w hen syste m  i s  overl o a ded   and r e l ease  u nnec essary c l o ud res ourc e  af ter   load down. Ex perim ental r e s u lts s how, comparing withtrad itional dat a intensive c o m puting system , EDICC  coul d achi eve  outstand in g  pe rforma nce a nd  hig her reso urc e  efficiency.      Ke y w ords : dat a intens ive co mp utin g, lo a d  bal anci ng, clo u d  computi n g         Co p y rig h t   ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  Data i n ten s ive comp uting  is the  ne w dire ctio n a n d hot  spot  of high  pe rf orma nce   comp uting re sea r ch in re cent years. Da ta int ensive computing co u l d  ac hi eve cross re gional  and   cro s s platfo rm data p r o c e ssi ng, ma ssiv e  data  p r o c e ssi ng a nd an alyzing, d e si gn an d de cisi on- makin g  assi sting. Rese arch results sho w , in bi g business and  re sea r ch institu t e, the increa se  spe ed of d a ta nee d to be  pro c e s sed i s  4 time s th e increa se  speed  of ha rd ware p r o c e s sing   cap ability. Fa cing  the  expl osive i n crea se of  dat a  am ount, we m u st find a n  effe ctive solution  to  meet the d e m and  of dat a processing  and  acquire  valid info rmation fro m  massive d a t a .   Curre n tly, the mai n  met hod to  a c co mplish  data  inten s ive  computing  an d me et g r o w ing   pro c e ssi ng  d e mand  is u s i ng  com putin g sy st em whi c h ha s  hi gh enou gh com puting ca pabi lity,  su ch a s  main frame, su per  comp uter a n d  compute r  cl u s ter.    Ho w to b u il d computin g  system  for  data  inten s iv e computin g, how to ma ke  data  intensive  co mputing sy stem’s softwa r e and ha rd ware be hi ghly  scal able a n d  reliabl e, is th e   focu s of current data intensive co mpu t ing res earch . In traditional data inten s ive com puti ng  system, there alway s  is the sit uation that system l o ad exceed  system proc essi ng capability. In   this situation, the system pe rform a nce will  decrease significant ly, even worse, system will ent er  su spe nde d  a n imation, cau s e se rvice un available.  A t y pical exa m p l e is th e trai n  ticket  boo kin g   sy st em i n  s p r i ng f e st iv al.   S t at ist i cs  sh o w s ， duri ng spring   festival of  2012, dail y   netwo rk hits  of  Chin a train ticket web s ite  “1230 6” exceede d  1.0 billion. There  wa s netwo rk cong estion  in  “123 06 ”  web s ite from  6 o’ clo c k in  the  morni ng.  Du ri ng  sp ring  festival of 20 13,  the  co nge sti on  situation of “1230 6” web s ite becam e worse, da ily  netwo rk hit s  exceed ed 1 0 .0 billion. This  situation,  of course, violated t he  pri n cipl e of hi gh  avai lability and  hi gh  reliability  of data i n tensive  comp uting  system, must  be avoid ed.  Unfortu nat el y, existing d a ta inten s ive  system  ha s n o   enou gh flexib ility of resource supply. When the r e is   a burst in wo rklo ad g r o w th , such a s  fla s h  cro w d in  web s ite, tradition al data inten s ive system   coul d not ha ndle it effectively.   Even if use  pro c e s sor a n d  other h a rd ware re so urce as mo re  a s  possible  wh en build d a ta  intensive  system,    along  with ra pid incre a se  of data amou nt, availabl e  resou r ce in d a ta intensive  system  will be   exhau sted ev entually. The r efore, in o r d e r to h andle   contin ued  an d ra pid g r o w th of re sou r ce   deman d in da ta intensive system, we must think  of system scalabi lity from the very begin n ing  of  sy st em d e sig n .   As a  high  scalabilitysoluti on, cluster is  a  common scheme for data intensive  computing  system. Trad itional com p u t er clu s ter d e s ign,  a c hieve  its scal abilit y through ad ding ne w no de  into system,  whi c h requi re s more sy ste m  co st. Usin g tradition al clu s ter to buil d  universal d a ta  intensive co mputing  sy stem  has obvious sho r tc o m ing. For ex ample, in ord e r to handl e som e   appli c ation,  we in crea se  system inv e stment,  en h ance syste m  comp uting  power, after this   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     An Elastic Da ta Intensive Com puting Clu s ter on  Clou d  (Zhaol ei Du a n )  7431 appli c ation i s   done,  system  no lon ger  ne ed all p r o c e s sing  ca pabilit y, part of syst em re so urce  will   be idle  an d p a rt of  system  co st is  wa ste d .   Ideally, we nee d a  dat a inten s ive  computing  sy stem,  in which there are enough processing capability an d other  relati ve resour ce f o r all  custom ers  and ap plications, o n  the ot her h and, the r e is  no t oo  much i d le an d wa sted  re source at the  same  time.  In any  moment, re so urce in syste m  could  b e  utilized effe ctively, and all cu stome r s’  serv ice  quality will be guaranteed.  In other  word,  w hen design universal data intensive computi ng  system, we need a  scal able an d flexible syst em  architectu re,  make  syste m  have eno ugh   resou r ce to meet the dy namic  pro c e ssi ng de man d , and imp r o v e system  re sou r ce utiliza t ion  efficien cy. Apparently, there i s  a co ntradi ct ion b e twee n improving re so urceutili zation  and  ensurin g cust omers  servi c e quality. In tradition al  dat a inten s ive computing  system, usually  use   load b a lan c in g strategy to  relieve  and  avoid this  co ntradi ction. B u t becau se  d a ta processin g   deman d i s  g r owin g en dle s sly, eventuall y  this  cont rad i ction i s  u nav oidabl e. Re cently , along   with   the develop ment of clo ud co m putin g, the con c ept of “acqu i ring resource on dem an d” is  pre s ente d , po int out a new  dire cti on to solve above contradi ction.   In this pa per,  we p r e s ent  a ne w ela s tic data inten s i v e comp uting  clu s ter—E D I CC. In  EDICC, we  use   hybri d   reso urce su p p ly  m ode:  E D ICC coul d use   lo cal re source and   cl oud  resou r ce at t he  same  time . EDICC i s  p a rt in  cl oud:   whe n   system  is i n  h eavy l oad, it u s e s   cloud   resou r ce to increa se avail able re so urce am ount an d guarantee  servi c e qu ality. EDICC is part  out of cl oud:  it use s  l o cal  re sou r ce to  enha nce system reliabilit y  and se cu rity,  keep se rvi c e  available eve n  if cloud  re source i s  una vailable.  In this way, EDI C C co uld a c hi eve outstan di ng  perfo rman ce  and re so urce efficie n cy  comp arin g  with traditio n al data inte nsive comp u t ing   clu s t e r s .       2. Curren t  Resear ch and  Relate Wo rk   Data  inte nsiv e  com puting system whi c h   has  fixed n u m ber  of re so urce, usually  Curre n t  resea r ch an d  Relate  Wo rk use  load  ba lanci ng  strate gy and  re sou r ce  di spat chi ng st rategy t o   guarantee  system service quality.  Along with increa se of the task  numbe r in sy stem, availab l e  resou r ce will  be in  sho r t supply, the eff e ct of  lo ad b a lan c ing  strat egy and  re so urce di spat ch ing   strategy become more and more weak, sy stem  servi c e quality will decli ne inevitably.  In traditional  data inten s ive com puting  system , to h andle the  situation that reso urce   deman d ex ceed s  sup p ly, there  a r e  several  wa y s : admi ssi on  control, servi c e  do wng r ad e,  dynamic in creasi ng serve r  reso urce. Th ese meth od s could b e  divided into two  kind s: first ki nd   method, solv e probl em of lackin g  re so urce su ppl y throu gh re du cing som e  users’ o r  all users’   servi c e qu ality. Second ki nd method,  solve t he problem throug h increa sing  the amount  of  available  re source i n  sy stem .  Service downgrade  method only av oids th e p r oblem  of lacking  resou r ce su p p ly in some  degree. Incre a sin g  se rver resource  m e thod is  limit ed by the to tal  amount  of resource  in  se rver fa rm,  we  could m o ve   re sou r ce from  o ne a ppli c atio n to a nothe r,  but  there  still will  be pro b lem  of lacki ng resource  supply  whe n  the total re sou r ce d e mand ex cee d s  total amount of available reso urce in se rver fa rm. Th erefo r e, tradit i onal data int ensive  comp uting  system could  not eliminate the  possibi lity of lackin g  resou r ce  supply. When  the processi ng   deman d bursts, such as flash  cro w d h appe ns, this   possibility will raise si g n ificantly, eventually  cau s e  sh arp   decli ne of  system availabilit y and reli abilit y. Some data  intensive  co mputing  syst em   only facin g  th e pro b lem  of lacking  re sou r ce  su pply in  some  sp eci a l  perio d of tim e , for exampl e,  Chin a trai n ti cket bo oki ng  system  (“12 3 06” we bsite )   i n  sprin g  fe sti v al. In this  sit uation, alth ou gh   we could p u rcha se e nou g h  softwa r e an d hard w a r e re so urce in ad vance, but thi s  sol u tion is v e ry  une con o mic.  On  the  oth e r  han d, alo ng  with  the   co ntinuin g  gro w th amo unt  of data and   comp uting, e v en if there a r e eno ugh  re sou r ce in sy stem, more re sou r ce always will be n e e ded  eventually. S o , ho w to  m a ke  data  inte nsive  co mput ing  system  h a s  eno ugh  reso urce  sup p ly  elasti city, and control system cost at the sam e  time, is the core probl em when de sign   data  intensive com puting  sy ste m .  In the 9 0 ' s  of  the la st  cent ury,  the  con c ept   of g r id  computing  is p r esented,  de scribin g   su ch a te ch n o logy: allo w  cu stome r  a c quire  co mput ing re so urce  on de mand,  just like u s i n g   electri c ity and  water  re sou r ce in d a ily life, pay t he co st according to  the amou nt of resou r ce the y   use d . Althou gh gri d  co mp uting re se arch make co nsidera b le p r og ress in m o re  than a de ca de,  but the o r igin al goal  of gri d  com puting i s  not fully   reali z ed. Cu rre nt grid com putin g  is still  limite d   in  shari ng reso urce am ong re sea r ch  in stitutes ,  use r s is resource  provider a nd  re so urce  con s um er at the sam e  time .  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 10, Octobe r 2014:  743 0  – 7437   7432 Re cently, clo ud co mputin g brin g us  n e w da wn. Th e articl e [1] and [2] intro duce key   techn o logie s  of  clo ud com puting.  In a  word, clou d  co mputing i s   “from cl oud, to   clou d”.   Clo u d  is  Internet, “fro m clou d” m e ans  cu stome r  coul d get  re quire d reso urce throug h In ternet; “to  clo ud”   means  com p uting result will be  sent  back to  custom er  through  Int e rnet.  Any customer coul d get  requi re d re source throug h clou d co mputing  a n d  achieve  ap plicatio n on  cloud. In cloud  comp uting, d a ta is sto r e d  i n  cl oud,  appli c ation s   and  service s  are d eployed  on  cl oud, fully utili ze   comp uting po wer  of data center  to serv e  custo m er.  Comp ari ng  with 10 ye ars  ago, the  ne e d  for  massive data  processin g  is more an d more u r ge nt, thus ne ed mo re  and more co mputing po wer.  Govern ment  facility, rese arch in stitute ,  and In du stry ente r tain ment, all b e gin to u s e  cloud  comp uting po wer to me et their cont inui n g  increa sing  comp uting ne ed.   Along with th e developm e n t and pop ularization of cloud computi ng, more a n d  more  resea r chers  begin to do rese arch u s in g cloud  re so u r ce.  NIR [3] pre s ente d  by Zhou Yang i s  an  open  so urce  clou d ena bl ed content  based ima g e  retrieval  sy stem. Co nte n t based im age   retrieval i s  hi gh com putati on task be ca use of  the al gorithm  com putation com p lexity and big   amount of da ta. NIR usi n g  cloud  re sou r ce to buil d  im age retrieval  system, is  ea sy to extent and  flexible to deploy.   Tim Dornem ann [4] presented a scheme of   BPEL workflow engine basi ng  on cl oud  comp uting. T he b a si c i dea  of this  sche me i s   u s in g  virtual ma chi nes in Am azon’s EC2  (El a sti c   Compute  Cloud) to pr ovide new host s and  handl e peak load  situations  in  BPEL workfl ow   system. The  pre s ente d  sy stem supp ort s  on de man d  resou r ce prov isioni ng. Experime n tal re sults  for a  comput ationally inte nsive vid eo  analysi s   appl ication  sho w  this  sol u tion  is fe asi b le  and   effic i ent.  Existing data  intensive  com puting cl usters lack  of flexibility on resour ce provision. When  the sy stem i s  ove r loa ded , the perfo rm ance be co m e  poo r, o r  ev en worse, th e se rvice will  be  unavailabl e.  Unfortu nately ,  only usi ng l oad b a lan c in g  strategy co uld  not solve this  p r obl em. So,  basi ng o n  cl o ud comp uting ,  we p r op ose  an ela s ti c data intens ive computing c l us ter E D ICC. In  EDICC,  we  could  solve  th is p r o b lem  fu ndame n tally, and  g uarant ee the  hi gh  availability a n d   reliability of our data intensive computing cluster.       3. Sy stem  Architec tur e   In our ela s tic  data inten s iv e computin g  clu s ter, b a ck  end s of  clu s ter  can  be  divided int o   two group s: local n ode a n d  clou d nod e. Local n ode s  are  con s tru c t ed usi ng lo ca l resource, th ey  are e s sential  comp one nt o f  EDICC. Lo cal node s a r e  alway s  pa rt of EDICC unl e ss it could n o t  work no rmall y . Cloud no de is built u s ing  clou d reso urce, the y  are sam e  with local  node  function ally. The diffe ren c e bet ween  lo cal n ode   an d  clou d n ode  is the  num ber of clo ud  nod e is  cha ngin g  a c cordin g to the  system l oad  status  and  available  re sou r ce a m ount. F i g. 1 sh ows t h e   stru cture of EDICC.           Figure 1. The  Archite c ture  of  EDICC  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     An Elastic Da ta Intensive Com puting Clu s ter on  Clou d  (Zhaol ei Du a n )  7433 In EDICC, cl uster  has  n+m back end s, includin g  n (n>0) lo cal n ode s and m  (m>=0 )   clou d nod es.  From the a s pe ct of re so urce s upply,  our EDI CC  could u s e lo cal re sou r ce a nd  clou d re sou r ce at the sa me time, namely, ED ICC has a hybri d  resource  supply mode. Our  elasti c d a ta i n tensive  com puting  clu s te r in  cl o ud envi r onm ent coul d  combi ne  l o cal re so urce  and   clou d re so urce  sea m lessly. Use  clo ud reso ur ce  to insu re  servi c e q uali t y and syst em   perfo rman ce  whe n  system  is overlo ade d .  Use lo cal no des to gu ara n t ee the reliabi lity of EDICC.      4. Performan ce Index   In Figure 2, we simul a te da ta intensive  com puting clu s ter, cho o se web ca ch e  se rvice  a s   the appli c atio n, use NLANR’s lo g to test perfo rm an ce of traditio nal data inte nsive comput ing  clu s ters  with  different fixed  node  num be rs. T he result sho w s, alon g with th e in cre a se of n o de  numbe r, the averag e re sp onse time is redu ced.    Obviou sly, more he avy the system loa d  is , more i m provem ent the increa se  of node   numbe r will  bring.  Whe n  the node  nu mber ex ce e d s  some d egree, the improvement be come   unobvio us, th is mean th e system ha s en ough resou r ce to handle  current load. B a sin g  on ab o v e   analysi s , we  have an ide a :  We co uld a d just no de n u mbe r  in Dat a  intensive  computing  clu s ter.  Whe n  system  is in heavy load, we  coul d increa se av ailable no de. Whe n  system  load down, we   coul d de cre a s e no de num ber.         Figure 2. Re spose Time of Traditio nal Data Intensive  Comp uting  Cluster      In orde r to re alize o u r ide a , we sh ould  choo se a p e r forma n ce in dex firstly. Basin g  on  this ind e x, we co uld d e ci d e  wh ether t h e EDICC  n e e d s m o re  re so urce to h andl e cu rrent sy stem  load. When  we eval uate t he pe rform a n c e of  web  ca che  se rvice,  resp on se time  is u s ually ta ken   into a c count  in the first pl ace. Be ca use of t he ca che cha r a c teri stic,  the r e are  always so me   requ est s   whi c h  are n o t in   ca che  shoul d  be  sent  to  o r iginal  serve r . The s e  reque sts is so-call ed  miss reque st,  their  re spo n s e time  is affected  by  net work  co nditio n  and  o r igina l  se rver  process  cap a city. Wh en the r e i s   netwo rk con gestio n  or  o v erload ed o r i g inal  serve r ,  miss re que sts’  respon se tim e  will in crea se noticeably  even if the lo ad in E D ICC i s  lo w. In othe r word s, we  could  not use resp onse time a s  perfo rma n ce  index di re ctly. So, we pro posed a  rel a tive perfo rma n ce  index R to re pre s ent the p e rform a n c e o f  EDICC.  Thi s  relative pe rf orma nce inde x R is descri b ed   as foll ow:  R i s   ratio  of hit  reque sts’  ave r age  se rvic e ti me to  miss  re que st’ ave r ag e o r iginal   server   respon se tim e  in given period.  e AvgMissTim AvgHitTime R , AvgHitTime is the average se rvic e time of all h i t reque sts in   EDICC, Avg M issTime is  the averag e origin al se rver re spo n se time of all  miss  requ est s  in  EDICC.   Before u s in g  perfo rman ce index  R, we n eed  set  thre shold,  whe n  R  exceed the   threshold, a d d  ne w no de  to EDICC, otherwi se re move nod e from E D ICC.  Ho w to de cide  threshold i s  an important p r oble m . We must main tai n  the system perfo rman ce  in an accepta b le   level. At the same  time, we sh ould  re d u ce th e fre q u ency of n ode  numb e r’ s alt e ration, to  avoid  10 00 20 00 30 00 40 00 50 00 1 1 1 2 13 14 1 5 1 p eri od Aver age  Resp onse  Tim e(ms ec) 8  no de  clu ste r 1 2 n ode  cl ust er 1 6 n ode  cl ust er Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 10, Octobe r 2014:  743 0  – 7437   7434 perfo rman ce   jitter. In orde r to  achi eve  above  goal s,  We  set a th reshold  rang e [t1, t2]. Wh en  R<t1, rel e a s e cloud reso urce if there are cl oud no des in EDI C C. Whe n  R>t 2 , acqui re cl oud  resou r ce, buil d  clou d nod e to incre a se capa city of EDICC.       5. Deplo y me nt of Clo ud Node   Providers of reso urce in th e clou d, su ch   as Ama z on  EC2 or th e Scien c e  Clou d s , enabl e   use r s to  acqu ire  re sou r ce  on d e man d .  Re sou r ce in   clou d u s u a lly provided  in t h e fo rm of  virtual  machi n e s . Virtualization i s  the ba si c te chn o logy  in  clou d an d u s ers could full y control virt ual  machi n e s . Acqui re  re sou r ce  from  clo ud, co nst r u c t virtual ma chine, an d th en in stall u s er  spe c ified  app lication  on virtual ma chine,  this p r o c ed u r e i s  the  depl oyment of u s er a ppli c ation  in  clou d.   Vmplant [5]  use s  a  typical depl oyme nt method: u s e a  imag e  config ure d  wi th basi c   environ ment  to create  virtual ma chi ne,  then i n st all  and  configu r e a ppli c atio n. Thi s  meth od   sup port fin e   grain  de ployment, co uld i n stall diffe re n t  application  as u s e r  n eed , but affected  by   appli c ation in stall and  confi gure time, the  deployment time may be relative long.   Another  depl oy method  is usin g fully configured im age in  which  appli c ation  i s  al rea d y  installe d to create virtual  machi n e s . The sh ort c om i ng of this m e thod is la ck of flexibility, only  suitabl e for the situatio n  that needn’t  to chan ge  a pplication. Despite a bove  limitation, this  method is  si mple and d e p l oyment time is sh ort.   After acq u ire  re sou r ce fro m  clou d, we  need to  buil d  clo ud n ode  and a dd it i n to ou r  elasti c data  i n tensive  co m puting  clu s te r. Thi s   me an s we sho u ld   deploy appli c ation   in clo ud.  From the a s p e ct of elasti c data inten s ive comp ut ing  clu s ter, if we allow a cl oud  node ta ke ho urs  to depl oy ap p lication, E D ICC  will n o t be   able to   ha ndl e sy stem  overload  situ atio n timely. So,  we   need fa st de ployment in  se con d s o r  f a ster. O b vio u sly, usin g b a si c imag e to create virt ual  machi ne, the n  install appl ication, this  method  coul d not meet our ne ed. In our ela s tic  data  intensive  co mputing  clu s t e r, softwa r e  environ m ent  and  co nfigure on  differe nt nod e a r e  al most  identical, except IP addre ss. Th erefore ,  we use an  image fully install cl uste r and ap plication   softwa r e to create virtual m a chi ne, co nst r uct  cloud n o d e for EDICC.      6. Experimental Verifica tion  In order to verify performance of EDICC,  we h a ve impleme n ted a trace - drive n   simulatio n  of  data inten s iv e com puting  clu s ter.  We  select  squi d a c cess lo g of  NLANR to b e  th e   trace i n  si mu lation of web  ca che  appli c ation,  comp are E D ICC  with traditio n a l data inte n s ive   comp uting cl usters  which have fixed no de numb e r.   In experime n t, thresh old of  R is set to [0.3, 0.7], the sample p e rio d  of R is 60  se con d s,  and the initial  node num be r (lo c al no de  numbe r) of o u r EDICC is 8 .             Figure 3. Performa nce  of   EDICC    Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     An Elastic Da ta Intensive Com puting Clu s ter on  Clou d  (Zhaol e i Du a n )  7435 Figure  3 sho w s  th e comp arison re sult of  perfo rma n c e a m on g EDICC an d traditional   data inten s ive com puting  clu s ter  with 8nod es  a nd  16 nod es. From experim e nt beginni ng  to   100th p e ri od,  the resp on se time  curve  of EDICC  i s  almo st the  same  with 8  n ode s tra d itio na l  data inten s ive comp uting  clu s ter. Whe n  the syst em  load begi n  to increa se, 8  node s traditi onal  data inten s iv e co mputin g  clu s ter  co ul d not p r ovid e eno ugh  re sou r ce, its  resp on se tim e  ha s   notable in cre a se. EDI CC  coul d get mo re resour ce f r om  clou d, and en han ce  system  cap a c ity  dynamically, so  response t i me in E D ICC is  kept  i n  a  relative low le vel. Comp ari ng  with 16  no de  traditional d a t a intensive comp uting cl uster, in  the  begin n ing 10 0 perio d s, EDICC’s respo n se   time is little  highe r  be cau s e E D ICC  h a s  only  8 n o des. Afte r 1 0 0 th pe rio d , E D ICC a d d  cl oud   node into  sy stem dynami c ally, its re sp onse time  is  almost the  same with 1 6   node traditio nal  data inten s ive comp uting  clu s ter.         Figure 4. Nod e  Numb er in   EDICC      Figure 4 illuminates the  node n u mbe r  chan ge  of EDICC in expe riment. Fro m  the node   numbe r  cu rve, we  can  tell sin c e  ab out  100th  peri od,  nod e  n u mb e r  in  EDICC b egin to  in crea se,  this mea n s E D ICC sta r t to acq u ire  re so urce from  clo u d. The max  node n u mb er in EDICC is  16   in ou r exp e ri ment. Analyzi ng Fig u re 3  a nd Fig u re 4,  we  ca n g e t a  con c lu sio n : EDICC h a s hig h e r   resou r ce efficiency than  16  node tra d itio nal data in te n s ive co mputin g clu s te r, an d  could  achieve   almost  sam e   perfo rman ce.  In other  wo rds, compa r in g with tra d itio nal data i n te nsive  comp uting   clu s ter, EDICC co uld imp r ove servi c e q uality and en han ce re so urce efficie n cy  at the same ti me.        Figure 5. Co mpari s io n of R Value       Figure 5  sh o w s chang e of  perfo rma n ce  index  R’s val ue in  experi m ent. The  ch a nge of  R   value  i s  con s istent with ch ange   of re sp onse  ti me  in  data  inten s i v e co mputing  clu s te r. Wh en  system  lack  of re source, R  value will  i n crea se, when  sy stem has  idl e  resource, R  value will  4 6 8 10 12 14 16 18 1 5 1 101 15 1 201 2 5 1 p erio d no de n umb er Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 10, Octobe r 2014:  743 0  – 7437   7436 decrea s e.  Th e R value  flu c tuate s  a c cording to  the l oad i n  d a ta i n tensive  com puting  clu s ter.  Ran ge of R  value’s flu c tu ation affecte d  by am ou nt of available  resou r ce. If there i s  en o ugh  available  re source,  R val ue  will flu c tu ateuno bviou s ly,otherwi se  R  valu e will vary  inten s iv ely.  Among all th ree  cu rves in  Figure 5, curve of  16  n ode s traditio nal data inte nsive  comp uting   clu s ter is the  smooth e st on e, and cu rve of 8 node s  tra d itional data i n tensive  com puting cl uste r is  the rou ghe st  one. In EDICC, be cau s e  reso urce  sup p l y is dynami c ally adjust a c cording  syste m   perfo rman ce,  R value’ s  curve i s  ve ry  clo s e to  16   node s t r aditi onal  data i n tensive  comp uting  clu s ter’ s cu rve.  Thi s   p r ove s  R  i s  an eli g ible   perfo rm ance in dex f o r  data i n ten s ive  com puting  clu s t e r.       7. Securit y  a nd Reliability  Becau s e  we  use cl oud  resou r ce in elasti c  data intensive co mputi ng cl uster, it is   inevitable tha t  we will brin g cloud  se cu rity issue s  in to our EDICC. Secu rity i s sue s  is a h o t  resea r ch field  in cloud  com puting.   In order to a v oid the i n flu ence of  se cu rity  pro b lem i n  cl oud  com puting,  we  prese n t a   solutio n  for EDICC. The m a in idea i s : divide client  o r  requ est into  grou ps  with d i fferent se cu ri ty  prio rity.  For e x ample,  we can set some  IP  address  ra nge  as high   se curity p r io ri ty client, or se t  requ est s  to spe c ial d e sti nation ad dre s ses o r   URL s  as hi gh se curity pri o rity reque st. When   EDICC  re ceiv e req u e s ts  wi th high  se curi ty priority, se nd them to lo cal n ode s  whi c h h a ve hig h e r  se curity co nfiguratio n, usin g local n ode t o  guarantee t he se cu rity in EDICC.   Similar to  security in EDICC, for  reliabili ty i ssue  in E D ICC, we  ca n give cli ent  or requ est  different p r io rity. When  cl oud  re sou r ce  is u nava ilab l e, use  lo cal  node  to serve high  prio rity  reques t firs tly.      8. Conclusio n   In this pa per,  we p r e s ent a n  ela s tic d a ta   intensive co mputing clu s ter-E DICC.  In EDICC,   we u s e “on d e mand ” cl oud  resource to  con s tr u c t ne w clu s te r nod es when lo ad  exceed  syst em  cap a city, and  relea s e  unn e c e s sary  cloud  re sou r ce wh en loa d  do wn . At the same  time, use l o cal  resou r ce to guarantee  se curity and rel i ability in  our data intensi v e computin g  system. In this  way, we  built  a high avail a ble an d high  reliabl e data i n tensive  com puting  syste m . Experime n ts’  results  sh ow,  com p a r ing  with tra d ition a l data i n ten s ive  comp uting  clu s ters  whi c h h a ve f i xed  node  num be r, ou r el asti c d a ta inte n s ive  co mp uting clu s ter  could accom p lish outsta n d i ng  perfo rman ce,  higher  re sou r ce effi cien cy and lo wer  system co st.      Ackn o w l e dg ements   This  wo rk  was  supp orte d  by the Scie nce  and T e chnolo g y Plan  of Zheng zh ou (No.  131PPTG G 4 11-5 ) , the S c ien c e  and  Tech niqu e Rese arch Pro g ram  of He nan Edu c ati onal  Committee (No. 14A52 00 22), the Ph.D. Scientific  Rese arch fund ation of  Zhen gzh ou University  of Light Industry.      Referen ces   [1]  Che n  Ka ng, Z hen g W e i Mi n ． Clou d C o mp uting: S y stem I n st ances an d Current Rese a r ch ． Jour nal o f   Software ． 200 9; 20(5) ： 13 37-1 3 4 8 ．   [2]  Luo J un-z h o u , JinJi a -h ui , Song A i -bo ． Cl ou d Comp uting: Architechtur e   and   Ke y  T e chnolog ies ． Journ a l on C o mmunic a tio n s ． 201 1 ， 32 (7 ) ： 3-21 ．   [3]  Z huo Y a n g ,  Sei-ich i ro  Ka mata, Alir eza A hrar y .   NIR:  Conte n t b a se d i m age  retri e val  on  cl ou d   computi ng,  Procee din g s of IEEE Internatio nal Co nfere n c e  on Intelli ge n t  Computin g and Intell ige n t   S y stems. IEEE Computer Soc i et y ,   Sh ang ha i, Chin a. 200 9; 556-5 59.   [4]  T i m Dornema nn, Ernst Ju h n ke, Bern d F r eisle b e n .   On- D e m a nd R e so urce Prov isio ni ng for BPE L   W o rkflow s Using Ama z o n ' s   Elastic Co mp u t e Clou d .  Proceedings ofthe 9th  IEEE/ACM International  S y mp osi u m on  Cluster Com p uting a nd the  Grid, IEEE, Sh ang hai, C h in a. 200 9: 140- 147.   [5]  Ivan Krsu l, Arij i t  Gangu l y ,  Ji an  Z han g.  VMPl a n ts: Provid in g  and  Man a g i n g   Virtual  Mach in e Exec utio n   Enviro n m ents  for Grid Computi ng.  Pr oceedings ofthe ACM /IEEE  SC2004 Confer ence on  Superc o mputi n g. IEEE Computer Societ y ,  Pi ttsburg, PA, USA. 2004: 1-1 2 .   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     An Elastic Da ta Intensive Com puting Clu s ter on  Clou d  (Zhaol ei Du a n )  7437 [6]  Hide o  Nis himu ra, Nao y a M a ruy a ma, Satoshi Matsuoka.  Vi rtual Cl usters  on the F l y - F a st, Scalab le,   and  F l exi b l e  I n stall a tion ,  Pr oceedings  of the S e venth I EEE In ternational S y mpos ium on Cluster   Comp uting a n d  the Grid, IEEE Computer Soc i et y ,  Ri o De Ja neir o , Brazil, 2 007: 54 9 – 55 6 .   [7]  Marios  D D i kai a kos, Geor ge  Pallis, P ank aj  Mehra. C l o ud  Comp uting ： Di stributed  Intern et Comp uti n g   for IT  and Scientific Rese arch .  IEEE Internet  Com p uting . 2 0 09; 13: 10- 13.   [8]  W ang Pe ng, M eng  Dan 1 , Z h a n  Jia n fen g . Re vie w   of Progra mming Mo de ls  for Data-Inte n s ive.  Jour na l   of Computer R e searc h  an d D e vel o p m e n t . 2010; 47( 11): 19 93-2 002 ．   [9]  Z heng P a i, Cu i  Li-Z hen, W a n g  Hai-Y a n g . A Data Pl ac eme n t Strateg y  for  Data-Intens ive  Appl icatio n s   in Clo ud ． Chi n ese Jour nal  of Co mp uters ． 2 010; 33( 8): 147 2-14 80 ．   [10]  Bicer T e kin, Chiu  Dav i d, A g ra w a l Gag a n ． A framew or k for data-i n te nsive c o mputi ng w i th clo u d   burstin g ． Proc eedings  of the  201 1 IEEE Int e rnational Conference on  Cluster Comput ing. 2011: 169- 177 ．     Evaluation Warning : The document was created with Spire.PDF for Python.