Co m pu ter Sci ence a nd Inf or mat i on  Tec h no lo gies   Vo l.   1 , No .   2 ,  J ul y  2020 ,  pp.  39 ~ 46   IS S N:  27 22 - 3221 ,   DOI: 10 .11 591 / csi t.v 1i 2 .p3 9 - 46           39       Journ al h om e page :  http: // ia esprime .com/i ndex. php/csit   Effici ent  and  s ca l able mul titenant  p lacemen t a pp ro ac h  for i n - memo ry d ata b ase over su pp le architectu re       Arpit a  S hah 1 ,  Na re ndr a  P atel 2   1 Facul t y   of Tec h nolog y   and   Enginee ring ,   Ch aro tar   Univer sit y   of  S ci en ce  a nd  Tech nolog y   (CHA RUS AT),     C hanga - 388421,   Gujar a t, India   2 Depa rtment of  Com pute r  Engi n ee ring ,   B irl a   Vishvaka rm a  Mah a vid y ala y a Engi n ee ring   Coll ege - GTU,  Vallabh  Vid y an aga r - 388 120,   Gujar at,  In dia       Art ic le  In f o     ABSTR A CT   Art ic le   hist or y:   Re cei ved   Ja n   23 , 2 0 2 0   Re vised  Ma y  1 , 20 2 0   Accepte d  Ma y   2 0 , 20 2 0       Of  la t e  Multi te n ant   m odel   wi th  In - Mem or y   da tabase  has  b ec om e  prom ine n t   are a   for  rese arch.  Th e  pap er  ha s  used  adva nt ag es  of  m ult itenan c y   to  r educe     the  cost   for   har dware ,   l abor   an d  m ake  av ai l ability   of   storag e  b y   sharin g   dat ab ase   m emory   and  fi le  exec uti on.   The  purp ose  of  thi s  p aper  is  to  g ive  over vie w   of   pr oposed  Supple   arc hi te c ture  for   implement ing  in - m emor y   dat ab ase   b ac ken d  and  m ultite n a nc y ,   appl i ca b le  in  public  and  pr iva t e  c loud   se tt ings.   Ba cke n d  in - m emor y   da ta base   uses  col u m n - orie nte d   app roa ch   wit h   dic ti on ar y   b ase d  compress ion  te chn ique.  W e  used  ded icat ed  sam ple  benc hm ark   for  th e  workload  proc essing  and  al so  a dopt  the   SLA  pe nal t y   m ode l .   In  par ticul ar,   we  pre sent  two  appr oximati o n  a lgorithm s,  Multi - te n a n t   pla c ement   (MTP)  and   B est - fi t   Gree d y   to   show   the  qua li t y   of   te n ant  pl acem ent.   The   expe r imental  resul ts  show   th at   Mul ti - t ena nt   p la c ement  (MTP)   al gor it hm   is  sca la b le   and  e ffic i ent   in   compari son  with  B est - fit   Gre ed y   Alg orit hm   over   propo sed  ar chi t e ct ure .   Ke yw or d s :   Be st - fit g reed y  algorit hm ,   In - m e m or y database,     MTP (m ulti - te nan t  placem ent),   Mult it enan cy ,    Supp le  a rc hitec ture   This   is an  open   acc ess arti cl e   un der  the  CC  BY - SA   l ic ense .     Corres pond in g  Aut h or :   Arpit a S hah ,   Faculty  of Tec hnology a nd E ng i neer i ng,    Char otar U nive rsity  o f  Scien ce  a nd Tec hnol og y  (CH ARU S AT),    Chan ga - 3884 21, G uj a rat,  Indi a .   Em a il :  arp it ashah .ce @ch a r us a t.ac.i n       1.   INTROD U CTION   Conve ntion al l y,  in - m e m or y  databases   hav e   bee n  i n  us e  f or  ap plica ti on s   w hich   we re  pe rfor m ance   sensiti ve   su c h  as  fi na ncial   ser vices  m ark et s.   In - m e m or y  database   cl aim   to  pro vid e   an   al te rn at ive   to   t he  OLAP .   In ste a d  of   pull ing  the   data  from   a  dis k,  kee ping   it   i n  m e m or y   (R AM)   s pe eds   up   the   processin g  a nd  r esp on se   tim e  of   data  by   orde r  of  m agni tud e.   This   is  t he  reas on  w hy  in - m e m or y  Da ta base  is  boom ing   i n  i ndus try   these  days.  With  t he   ex ped it io us   increase  of  S oft war e - as - a - Se rv ic e  (S aaS ),  it   has  bec om e  i m po rtant  t o  operat e   serv ic es  at   a   fa ste r  res pons e   ti m e  fo r   SaaS  pr ov i der s .  W it h  t he  ai m   of   to  re du ce   oper at iona l  cost,  m ulti - t enan cy   pro vid es  m et ho ds  f or  c om bi ning  m ulti ple  te nan ts   of  hoste d  a pp li cat io n  i nto   t he  sam e  syst e m .  Mult i  t enan c y   can  be  em plo ye d  in  the d at ab a se  la ye r  in  suc h  a  way  that  a   sing le   data bas e  can  be  us e d  by  m ult iple  custom ers  i.e.  te na nts.   A  cl oud  us es   te c hnology  of  m ulti te nan cy   to  s har e   I T  res our ces  am on g  m ulti ple  app li cat ion s   a nd  te nan ts  sec ur el y.  Virtuali zat io n - base d  arc hitec tures  is  us ed   by  so m e   cl ouds   to  is olate   te nan ts  a nd  so m e  us es   custom   so ftwa re  arc hitec ture s  to  get  the  job  done .  I n  t his  pa per   we  ha ve  s how n  the   pro pose d  arc hitec tu re  f or   sta nd i ng   te nan t   placem ent  fo r  qu e ry  re qu est  w it h  sam ple  HR  ben c hm ark   de sign   c om bin ed  both  a ppr oac hes  in   me m or y  an d  m ulti te nan cy .   To   im pr ov e   se ver  util iz at ion  an d  res ource   prof i t,  te ste d  tw o  al gorithm (s)   (1)  Be st   Fit   Gr ee dy  ( 2)  MTP.  I n  S up ple  arc hitec tur e  it   con sist s  m ai nly  three  c om po nen ts  ( 1)  Cl us te r  hea d:  m ai ntain   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2722 - 3221   Com pu t. Sci.  I nf. Tec hnol. ,   V ol.  1 , N o.   2 ,  J ul y  20 20 :  39   –   46   40   placem ent  inform ation   ov e r  i n - m e m or y  databas e.  ( 2)   R oute r:  base d  on  cl us te r  m ap  it   forw a rd s   que ry  r equ e st   to  the   s uitable   instance   m anag er   an d  ( 3)  I ns ta nce   Ma na ger :  distrib utio n  of  re quest s  acro s s  the   te na nt  us e r .     The  s upple  a rc hitec ture  a dopt   Mi cro s of t  Az ur e   Plat form   and  al so  pro vide   physi cal   m ac h ine  t hat  tu rn e d  int o  virtu al   disk p ool.       2.   IN - ME MO R Y DA T ABA S E   Earli er  in - m em or y  databases  hav e  bee n  use d  in  the  perf orm ance  sensiti ve  ap plica ti on s   wh ic h  we re   perform ance  sensiti ve  li ke  fin ancial   serv ic es  m ark et s.  H owe ver   now  a  da ys  in - m e m or y  databases  hav e  be com e   m or e  ge ner al ly   ad opte d.  At  th e  sam e  tim e,  t he  Softwa re - as - a - Se r vice  ( Sa aS)  m od el   has   beco m e  popula r  a nd   custom ers  are   gai ning  i nter est   in  t his  m od el ,  as   it   decre ases  thei r  th e   bur de n  of  th e  has sle   of  op erati ng     the  syst em ,  w hich   re qu i res  pro vision i n g  t he  hard war e   a s  well   as   m ain ta inin g,  ope r at ing   a nd  c onf igurin g  app li cat io n  se r ver s   a nd  data ba ses.  T he   key d iffe re nce b et ween  in - m e m o ry  data base ( I MDB)  a nd d is k  reside nt  database  (D R DB)  is  that  da ta   in  IMDB  re sides  in  m ai n  m e m or y  per m anen tl y  an d  in   DRDB,  data  reside s   per m anen tl y o n  dis k.   Si nce t he  chi p  de ns it y i s incr easi ng  da y by day an d sem ic on duct or  m e m or y i s b ecom ing   cheap e r  s o  it ’s   possible  t o  st ore  huge  am ount   of   data  i n  m e m or y  [1 ] .  IM D Bs  can  pro vid e   pe rfor m ance  by   an   order   of   m agn i tud e  fa ste r  as  c om par ed  to  D RDBs.   In - m em or y  wh ic h  is  on e  of   t he  m e m or y  residen t  syst e m s   and   c om par es  it s  pr oc essin g  tim e  with  a  typ ic al   disc  re sident  database .   Of   c ourse  t he   in - m e m or y  database   syst e m   (I MDB )  ga ve  bette r  pe rfor m ance  an d  respo ns e  ti m e .  Com plexity   in  in - m e m or y  databases  is  reduc ed  as   the  num ber   of   m achine  instr uc ti on s  re duced ,   buff e r  po ol  m a nag em ent  is  not  required,  an d  no   nee d  of  ext r a  data  cop ie s ,  i nd e x  pa ges   dec reases ,   an d  their   sim plifie d  str uctu re   is  possi ble.  As   a  co ns e quence   the  desig n  bec om es   si m ple  and   m or e  c onci se,  a nd   re qu est s  a r e  perform ed  f ast er.  IM DS s  hav e  al so   lo w er  m e m or y  and   CP U   requirem ents.   Also  the   desig n a nd  a rr a nge m ent  of  data  on  dis k i s   m uch   m or e  unfa vora ble  tha n  ar ra nge m ent  of   data  on  m ai n  m e m or y.  Re al   tim e  app li cat ion s  re qu ir e  fast  respo n se.   S o  I MDBs  play   cr ucial   r ole  for   r eal   tim e  app li cat io ns .  “ Ca n   entire  dat abase  fit  into  m ai n  m e m or y ? ”  The  a nswer  dep e nds  on   t he   app li cat io n.   If  siz e  of  app li cat io n  is   li m it ed  an d  is   gr ow i ng  at   slo we r  pace   the n  it   is   possi ble  to   ha ve  e ntire   data ba se  in   m ai n  m e m or y.   Fo r   e xam ple  da ta base  em ploy ee  detai ls  of  s om e  s m al l  com pan y.  But   f or  real  ti m e  appl ic at ion s  it   is   m us t  that   data  reside  i n  m ai n  m e m or y.  If   siz e  of  dat abase  is  to o  la rg e  to  fit  into  the  m a in  m e m or y  f or   e xam ple  an   app li cat io n  with  sat el li te   i m a ge  d at a   the   da ta   can   be   cat egorized   as   ho t   an d  c old  da ta .  T he   da ta   whic h  i s   fr e qu e ntly   re quire d  is  cat eg ori zed  as   hot  a nd  data  w hich   is  rar el y  requir ed  a nd  is  volu m ino us   is   col d  data.     The h ot d at a la y i n  in - m ai n  m e m or y an d  c ol d  is st or e d o n d isk.     2.1.   Chall enges   w ith in - mem ory  sy ste ms   In - m e m or y  is  li able  to   cha nge   ra pid ly   wh il e  disk  sto rag e   is  non  vola ti le .  S o  regular   backup s   m us t  be   ta ken   ( on  dis k)  and   at   the  sam e  tim e  it   is  to  be   ta ken   care  t ha t  per f or m ance   of   IM DB  is  no t  aff ect ed.   If   di sk   fail ,   data  on  oth e r  di sk s  can   be  sec ur e d  a nd   rec overy  from   disk   is  easy   but  if  m e m or y  fail s,  e nt ire  database  is   lost.   The  perform ance  gain  of   IM DB  can  be  li m it ed  by  the  a ppli cat ion   operati ng   it ,  la yo ut  an d  im ple m entati on   of   database  it sel f,  the  ha rdwa re  on   w hich  t he  da ta base  is   r unni ng   a nd  the  ass ociat ion   with  e xter nal  de vices .  Lar ge   vo l um es  of   da ta   with  lo we r  fr e qu e ncy  reads  are  not  m uch   m or e  ef fici ent  with   IM DBs.   Ma ny  pa pers  ha ve   discusse d  t he  i m pact  of   m e mo ry  reside ncy  of  s om e  i m po rtant  f un ct io nal  c om po ne nts  of  db m s   li ke  co nc urren cy   con t ro l,   acce ss   m et ho ds ,   c om m i t  processi ng,  query  pro cessi ng  a nd  pe rfor m ance  et c.  Ma ny   pa pe rs  ha ve  discusse d t he  i ssu es  relat ed  t o IMDB  rec ov e r y and b riefly  e xam ine so m e o f  the  so l utions  [2 ] .     2.2.   In - mem or y ar chitecture   To  un der sta nd  the  a rch it ect ur e  of  i n - m e m or y,  arc hitec ture   of  OR ACLE   da ta base  is   co nsi der e d  her e ,   wh ic h  is  cat eg or iz e d  unde r  t he  in - m e m or y  cache  arc hitec ture .  The  el em e nts  of  arc hitec ture  incl ude  dat abase  processes ,  m e m or y - residen t  data  str uctu res ,  sh a re d  l ibra ri es  an d  a dm ini strat ive  pro gra m s.  In de xes,   s yst e m   ta bles,  ta bles,  cur s ors,  loc ks,   tem po rar y  in dex e s  an d  c om pi le d  com m ands  to gether   m ake  up   t he  m e m or y  reside nt  data   s tructu res.  Th r ough  direct  li nk   an d  cl ie nt/ser ver  co nnect ions,  the   ap plica ti on  can   be   li nk ed  to     the  data base  or  IMDB  cac he .   Inform at ion   is  receive d  by  re plica ti on   a ge nts  from   m ast er  databases   an d  i s  sen t   to  s ubscri ber  databases .  Asy nchr onous  dat a  tra ns fe rs   bet ween  or acl e   da ta base  a nd  ca che  gro ups  i n  the  in - m e m or y  datab ase  cac he  a re   pe rfo rm ed   by   cache   ag e nt .   Fi gure 1  s ho ws  oracl e’s   in - m e m or y  dat abase     cache a rch it ect ur e  [3].   E xter na l  m e m or y  is acc essed o nly i n t hr ee  cases:     To  l oad co py  of m ai n  m e m or y durin g  syst e m  startup .      Check point  over  wr it ing,  recovery a nd  on Logg i ng.      To per sist s d at a ab o ut  data a nd c onfig ur at i on ch a ng e s.   Evaluation Warning : The document was created with Spire.PDF for Python.
Com pu t. Sci.  I nf. Tec hnol.         Eff ic ie nt a nd s cala ble mult it enant  pla ce men t  app r o ac h  for  in - memory  data ba s e  over…   ( A rp it a S hah )   41       Figure  1 .   In - m e m or y data bas e cache  arc hitec ture       So   for  t hese  ty pe  of   ta s ks   IM DBs  rely   on  pa ged  data  ha nd li ng  w hile  al l  ot her  operati ons   run  purely   on   m ai n  m e m or y.  The   data base  com m un it y  is  go i ng  to  ex per i ence  a   great   s hi ft  in  m ark et   in   the  c om ing   ye ars  a s   in - m e m or y  dat abases   are   bec om ing   m or e  e ff ect ive   a nd  af ford a ble.   Alt houg h  i n - m e m or y  database   m ai nly   consi sts  two  s tora ge  a ppro ac h  nam ely  ro w - ori ented   ( data base  re - str uct uri ng)  a nd  c olum n - or ie nted .   Ma ny  databases  can   u se  both a ppr oa ches  row - ori ented  a s  well  as  colum n - ori ente d.     2.3.   Multite nancy   W it h  t he   ai m   of  re duci ng  op erati on al   co st,  m ul ti - te nan cy   pro vid es   m et ho ds  for   com bin in g  m ulti ple  custom ers  (i.e .   te na nts)  of  de plo ye d  a pp li ca ti on   w hich   r un  on  t he  sam e  i nfrastr uctu re .   Database   la ye r   can   be  e m plo ye d  in   the  Mult i  te na nc y  arch it ect ure   can  be  util iz ed  in   the  databa se  la ye r  in  s uc h  a  way  that  a   sing l e   database   ca n  be   s har e d  by   m ulti ple  c us tom er.   A   cl ou d  use s  te ch nolo gy  of  m ulti te nan cy   to   sh a re   IT   r eso ur ce s   a m on g  m ulti pl e  a ppli cat ion s   and  te na nts  se c ur el y.  Virt ualiz at ion - base d  a rc hitec tures   is  use d  by  s om e  cl ou ds  to   isolat e  te nan ts  and   so m e  us es  custom   so ftwa r e  arch it ect ures  to  get  the  job   done .  De pe nd i ng  on  requirem ents  of   custom er  su c h  as  secu rity ,  hi gh   a vaila bili ty ,  custo m iz abili ty ,  the  cho ic e  of  ap pro pr ia te   te nan cy   m od el   is  decide d.  The re   are  se ve ral  po ssible  m ulti - ten ant  schem es  li ke  s har e d  desi gn,  VM  based  desig n  et c.   F or  te nan t   app li cat io ns   ar e  a  well - kn own  exam ple  of   a   ty pe  of   a ppli cat ion   w hose  da ta   and   wor klo a ds   ca n  be  par ti ti on e d  easi ly .  For  ins ta nce,  with  te na nt  a pp li cat ions,  data  an d  w orkl oad  can   ty pi cal ly   be  pa rtit ion e d  al ong  te nan t   bounda ries  si nc e  m os t  reques ts  are  withi n  th e  co nf i nes  of  a   te nan t.   S o,   by  c on si der i ng  a  fra m ewo r k  w hich  ta ke s   the  te na nt  w or klo a ds   a s   in put,  their  perf orm ance  SL Os  ( Ser vice  Level  Objecti ves ),   a nd  the   ser ve r  ha rdware   wh ic h  is  obta in able to t he Saa S provi der .       3.   A  S UPPLE I NFRAST R U CTU RE F OR MU LT ITE N ANC Y  O VER  IN - ME MO R Y DA T ABA S E   Pr op os e d  arc hi te ct ur e  f or   m ulit it enan cy   us in g  in - m e m or y  is  show n  in  Fi gure  2  w hich  c onsist s  m ajo r  three c om po ne nts.     3.1.   Co m ponen t( s )   (1)  Cl ust er  hea d:  T her e   is  si ngle   cl us te r  le a de r  e xists  in   a  S upple  Infr a struc ture  a nd  it   as s ign s   one   or  m or e  te nan t  to   serv e r.   Each   te nan t' s  re plica   is  assig ned  to  t he   ind i vidual  in sta nce  handler,   so   t hat  each   in sta nce   handler   m us t  process   diff e r ent  data  from   m ulti ple  te nan ts.   The   cl ust er  hea d  m ai ntains  t he  place m ent  inf or m at ion   ov er  in  m e m or y  database  pe rfo r m ance  with  hard  dis k  base d  show n  in  Fig ur e  2,   wh ic h  it   pro p agate s   to  the  r ou te .  I n  ad diti on   t he   cl us te r  hea d  al so   obser ve  a ct ive  nodes ,  s ta rts  and   st ops  severs,  place m ent  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2722 - 3221   Com pu t. Sci.  I nf. Tec hnol. ,   V ol.  1 , N o.   2 ,  J ul y  20 20 :  39   –   46   42   assessm ent  and  m igrati on   of  te nan t   bet ween  s erv e rs.  Re quest   proce ssin g  ca nnot   assesse d  di rectl y  by  the   cl us te r   head..  T he  cl ust er  hea d  proce s s  h as  to  run  on  al l  act ive  sever s  to  handle  sin gle  point  of  fai lure  to  m ake  hi gh ly   avail abili ty   that  can  be  possib le   by  run ning  a   cl us te r he ad  process  on   al l  act ive  ser ver s .   ( 2)  Rou te r:  It  f orwards   qu e ry  re quest   to  the  su it able  i ns ta nce  m anager  ba sed  on  cl us t er  m ap  inf orm ation   a nd   al so   from   ou tsi de   the   cl us te r.  Als o,  it   pr ov i des  l ocati on  tra nspare nc y  of  a   te na nt' s  database .  The   job  of  r oute r   ne ed  t o  be   balanc ed  t he   load  ac r os s t he  tenan t ’s replic as in  rou nd - r ob in p at te r n.           Figure  2 .   A  supp le  i nfrastr uct ur e   f or m ulti - ten ancy  over  in - m e m or y datab ase       If   a   re plica   of   a   te nan t   bec om e s  una vaila ble  in  c onseq ue nce  on  fail ure  of  a  serv e r  [4 ,  5 ]   re qu e sts  ne e d  to  be  b al a nced  a m on gst  the   re m ai nin g l ive  re plica s. The   qu e ry r e su lt s  send   back t o  t he  app li cat ion  th r ough  t he   router.   (3)   I ns t ance   Ma na ger :   T he  jo b  of  i nst ance  m ang e r  i s  to   m anag e   th e  dist rib ution  of  requests   ac ross  the   te nan t  us e r.  Wh en   insta nce   m anag e r   receive   a  w rite   re quest ,  it   wr it e  to   cac hing  databa se  [ 6]  (if   no   s pace  ov e r   m ai n  m e m or y)   an d  al s o  f orw ard  t he   re quest   to  it s   su cce ss or  no de  i n  a   cl us te r.  Wh il e,   ha nd li ng   the   dat abas e   ov e r  no.   of  se r ver s   c on c urre nt   requests   m ay  cause   perform ance  iss ues   an d  it   e ff ect   on  a pp li cat io n  e xec ution.  To   res olv e   thi s  prob le m   we   hav e   e xperim e nted   on   Or acl e  S hardin g  A r chite ct ur e   to   s upport   Ela sti c  scal e.   Re qu est   f or   t he   w rite   operati on  need  to   be   ob sti natel y  wr it te n  on  i  no de  out  of  n   no des  a nd  then  a sync hronou sly   rep li cat ed  t o  th e  nodes  i   +  1  t o  n.   E ach  te nan t   co ns ist s  two  c on sist e nt  re plica s  an d  I ndivid ual  instance   m anag e r   is  co up le d  up  with  a  l ocal  Oracl e  instance,   wh ic h  is  s ha re d  am on gst   m ul ti ple  te nan ts.   O racle  insta nce  su pp or t   the  ap proac h  of   m ulti te nan cy   [7 ]   an d  in - m e m or y.  A  local   O racle  instance  nee ds  to  be  paire d  with     instance m anger.     3.2.   Be nchma r k de sign   We   ha ve   use d  ded ic at e d  sam ple  be nch m arks  f or  m ixed   w orkloa d  pr oces sing  that   be nc hm ark   cal le d  HRSB - MT  s ho wn   i n  Table  1.   Our  te sti ng   e xp erim ent  is  on   O racle  in - m e m or y  colum n  datab ase,  w hich  runs   for   m ixed  w orkloa d  proce ssin g  a pp li cat io n.   I n  colum n - ori ente d  a ppr oac h,   da ta base  kee p  ev ery  at tribu te   f or  in  a  separ at e   c olu m n  str uctur e   a nd   is  i deal  f or  a na ly ti cs,  since   it   al lo ws   f or  s pe edy  data  retrie val  w hen  on ly   a  fe w  colum ns   are   sel ect ed  bu t  t he  query  acce sses  a   huge   portion  of  the   data   set .   Wh e n  DML   op erati on  ( i ns ert,   update  or  delet e)   occurs  on  bo t h  m eth ods   the n  r ow - or ie nted   f or m at   is  ext rem ely  eff ect ive   f or  processin g  DML   as  it   m anipu la te s  an   entire  r ow  or  record   in  on e  go.  A   col um n  appr oach   is  no t  so   pr of ic ie nt  as  com par ed  t o  r ow   form at   a t  pr oc essing  r ow - wis e   DML  but  f or  OLAP,  la r ge r  chun k  of  data  Colum - or ie nte d  gi ves  sim ultan eo us   data exe cutio n. HRSB - MT  m od el  als o o pted  d ic ti on a ry - bas ed  c om pr essio n  te ch niques .       Table  1.   HR  sc hem a b ench m ark - MT   Table_ n a m e   Tables ize( MB)   Reg io n   9 5 1 9 5 5   Co u n tries   2 2 0 2 2 4   Locatio n s   332   Dep art m en ts   5171   Jo b s   1 0 3 2 5 6 7   E m p lo y e es   1 9 5 6 8 7 9   Evaluation Warning : The document was created with Spire.PDF for Python.
Com pu t. Sci.  I nf. Tec hnol.         Eff ic ie nt a nd s cala ble mult it enant  pla ce men t  app r o ac h  for  in - memory  data ba s e  over…   ( A rp it a S hah )   43   3.3.   Resource c on s umpt i on   of m ultipl e h omog eneous te nant   So ,  by  co ns ide r ing   a  f ram ewo r k  w hich  ta ke s  work l oa ds   of  the  te na nt  as  input,  their  perfor m ance  SLO s   (S er vice  Le vel  Objecti ves )  [ 8,9]  and   t he  ser ve r  ha rdwar e  w hich  is  obta ina ble  to  the  D aa S  pro vid e r,   a nd  res ult  into  a   cost - ef fe ct ive  recipe   whic h  s pecifies  u ti li zat ion   of  hardw a re  t o  delive r  a nd  ho w  the   t enan ts   are   sche du le d  on  a vaila ble  ha rdwar e   resou r ce.  Eac h  te na nt s  co ntain   the   sam e  siz e  and  request  rate  on   a  seve r.  T otal  no.   of   us ers  is d ist ri bute d un i form ly a m on g al l t enan ts an d  the  se rv e r  is fil le d u p  on ly  15 - 20%  o f  it s m ai n  m e m or y is   us e d.  T he  te na nt  siz e   ts   is  di vid e d  by   the   r esulta nt  am ount  of  m e m or y.  As   a  res ult  de pendin g  on  the   c ho se n  value  for  ts  se rv e r  m ay   con ta in  fe w  or  m or e  te na nts,  s o  we  va ry  ts.  From   20   to  19 8  MB   (f r om   40 0,0 00   t o  4,000,0 00  rows ).   Re qu est  p er   te nan t  is  de note d  by  TR   a nd   i t  m ay   increase u ntil   SL O  vi olate d  [ 10 ,  11 ].   Figur e   3 Sh ows  that  w hen th e  num ber   of te nan ts  is i ncr ease d  by a  fa ct or of  10, t hr oughput  dec rea ses  by  10%.  A  SLO  per s pecti ve   [ 12 ]   vio la te s  w het her  the   se rv e r  s can  f un c ti on   is  util iz ed  by  sm a ll   nu m ber  of  la r ge  te nan ts   or  se ver al   sm a ll  tenan ts.           Figure  3 .   Ma xi m u m  Th ro ug hput  with ou t  viol at ion  the  p e rfo rm ance SLO       4.   STANDI NG  TE NANT PL AC E MENT   Fo r  stan ding te nan t  placem ent, w e  h a ve  c ons idere d  f ollo wing  gen e ral  data  as  in pu t.   A vali d  te na nt  assignm ent is  perform ed  us in g bina ry d eci si on  x   ∈   {0 ,1 }   S × T  × R  , w he re       () , y ti x     = { 1, if   tena nt copy  y   is  on se ver  i  , othe r wise  0  }    (1)      s  ∈   { 0,1} N       (2)     w he re  s i = 1  i nd i cat es that sp eci fic ser ver  i   is a ct ive, o t herwis e ser ver is i nac ti ve.     Now,   as   pe rform ing   te na nt  pl ace m ent  al so   ne eds  to b e  c hec ked   t hat  re plica   of   te nan t  is  al locat ed  to  a   serv e r   once   or   no t   an d  no   tw o  co pies   of   the   s a m e  te nan t.   S o,  to   c hec k  t he  s pecific  c onditi on  we  ha ve   ap plied   so m e con strai nt s.     ,     1 y ti iN x          ∀ t  ∈   T ,    ∀ y  ∈   R    (3)     ,     1 y ti yR x            ∀ t  ∈   T ,   ∀ i  ∈   N      (4)     The  se r ver  i n - m e m or y ca pacit y needs  to fit   on full  am ou nt  siz e o f  all  tena nt on  t hat ser ve r.     () , ( ) ( ) y t i i t T y R t x c i s      ∀ i  ∈   N     (5)     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2722 - 3221   Com pu t. Sci.  I nf. Tec hnol. ,   V ol.  1 , N o.   2 ,  J ul y  20 20 :  39   –   46   44   On e   of  the   im p or ta nt  key  featur es   of  gr ee dy  heurist ic s  is  th at   they   are  c om pu ta ti on al ly   l ess  rig oro us   than   m et a - heu r ist ic s.  Gr ee dy  a lgorit hm s  are  loo s el y  base d  on  t he  well - kn own   be st - fit  al gorithm .  It  al s o  deliver s   good  resu lt s  for  the   relat ed   bi n - p ac king  probl e m .  Althou gh  the  pr ob le m   in  a  Be st  Fit   al gor it h m   con sist   c onsta nt   appr ox im at ion   rati o  over   bi n  pack i ng.  So,  w hen  the   te na nts   are   sm al l  it   incli ned   t o  bundl e  lots  of  te nan t s  on   a  serv e r.   Be st - fit  al gorithm   is  use d  for  te nan t  pl ace m ent,  w hic h  fin ds   t he  se rver  with  th e  le as t  rem ai nin g  re s ource  that  can   acc omm od at e  each  te nan t,   a nd  in   ca se  su c h  a  se r ve r  ca nnot  be  f ound,   ei ther   re la xes  the   c on st raints  gr a dual ly  or  use  a  n e w  server .   Starts   with a   r andom  p la cem ent.  It a ssu m es a  f ixe d n um ber   of te nan t  t ype s a nd,  on eac h  se rv e r, i t assi gns te na nts  of the  sam e  ty pe  to  the  sa m e d at abase  se rv e r  i ns ta nce  wi th a  fixe d  am ou nt  of   m ai n  m e m or y al locat ed  [ 13] .     4.1.   Prop os ed   mul titen ant pl ace ment  ( MTP )  al go ri t hm     Wh e n  te na nts  qu a ntit y  is  increasin g  the n  w e  need   t o  ap pl y   te nan t  place m ent  al go rith m   to  al locat e   serv e r  res ource s  [ 14, 15 ] .   Pa ra m et ers  f or  Mul ti - te nan t  place m ent  al gorith m   as  sh ow n  i n  Ta ble  2  a re  il lustrate   the tena nt,  se r ve r  ca pacit y, re pl ic a o f  te nan t a nd o t her res our ce pa ram et ers.       Table  2 .   MT P  par am et ers   Sy m b o l   Meanin g   T N T   Sh o ws n o .  o f  tenants,  Ti  represen t ith  ten an t   S I S   No .  o f  servers ( to  s h o w r eso u rce  allo catio n )   σ :   T → NT +   Fu n ctio n  r etu rns  M ain   m e m o r y   requ ire m en t of  a  g i v en  tenan t   c :   S → IS +   Fu n ctio n  r etu rns  M ain   m e m o r y   capacity  o f  ith serv er       The   pur pose   of  m entione d  al gorithm   wh ic h  im ple m ented  on  propose d  a rch it ect ure  is   to  im pr ove   util iz at ion   of  s erv e r  t o  the   set   of  te na nts.   All ocati ng  prop e r  resou rces  over  the  te na nts,   we   ha ve  de plo ye d  th e   te nan t   placem e nt  al gorithm   in  Cl us te r   head  t o  im pr ov e   ser ve r  util iz at ion .   To   f ulfil  te nant ' s  serv ic e  qual it y  as   its   basis  re quir e m ent,  the  perf or m ance  te sti ng   us e  basic  f un ct ion   s wappi ng  as  a  re su lt   it   is  consi der i ng  m i nim u m   nu m ber   of  ser ve rs  as   an d  w he n  it   is  re quire d.  O n  the   ba se  of  m ee ti ng   the   re qu i rem en ts  of   serv ic e  qual it y  of  the   te nan t,  e xperi m ental   te st  us e  Be st  fit  heu ris ti c  al go rithm s  wh ic h  is  com par ed  with  the  pro posed  M ulti - te nan t   placem ent algorit hm . I n  a  res ul ti ng  outcom es MTP r eq uires   le ss num ber  of  serv e rs.       Algorithm : MTP   Inpu t:   T  Tenan ts,  Server in - m e m o r y   capacity  c ,  Rep lica   y   Fin d  bin ary  valu e t h ru eq .  (1)  (0,1 )   T={ t 1 ,t 2 .. . .. .t n }=  so rted list o f  tenan t i n  decreasin g  ord er  with  r esp ect of  siz e   for serv er   i  in  S  =   { 1 ,2,3 }  do       for  each   t i   ∈   T  ( 2 ) , ti x              if   ( 2 ) , ti x   then     lo cate oth er  serv e r  j   su ch  that  ( 1 ) , tj x        call swap( t ,  i,  j)              else     p lace  t i   o n  server              end i f              end  f o r   call σ( T[ i ] )   if   ( T[ i ] <  c )  then   S [ j ] = S [j ] - T [ i ]   end if   end f o r         Evaluation Warning : The document was created with Spire.PDF for Python.
Com pu t. Sci.  I nf. Tec hnol.         Eff ic ie nt a nd s cala ble mult it enant  pla ce men t  app r o ac h  for  in - memory  data ba s e  over…   ( A rp it a S hah )   45   5.   E X PERI MEN TAL SET UP   AND  RES UL TS A NA L YS I S   The  ex per im ents  we re  ca rr ie d  ou t   on   a  cl us te r   of  t hr ee   se rv e r s  w hich   is  sho wn  in   Fi gure  2,  each   hav i ng   16GB  m e m or y,  VM (s),  run nin g  Ce nt OS   a nd   O racle  in - m e m or y  database.   W e   pro duced   up  to   60  te nan t s.  Eac h  te nan t  runs   wi th  m ix  work l oa ds   i n  pro portion  to   the  ge ne rated  query  pa tt ern .  C oncer nin g  the   siz es  of  the   te nan ts,   we  m easur e d  the   in - m e m or y  datab ase  with   m ulti t enan cy   set ti ngs  existi ng   in   Mi cro s of t  SQL  Az ure   [16 - 17] .   Fig ur e   4  sho ws  that  nu m ber   of   te nant s  placed  on  ea ch  ser ver   (i.e.  no  of  ser ve r  =  2,   3  an d  4)  f or  res ourc e   al locat ion  [ 16 ] .   I f  t her e   a re  8  te nan ts   la bele d  as  A, B,C , D, E , F,G,H  a nd  for  three   ser ver  nu m ber ed  as   1, 2  and  3.   If   te na nt  B ,  C,   D   placed  on  s erv e r  1  the n  1 =  { B ,  C,  D }  li kew i se  for  ot he rs  te na nts  too.   W he n  the  num ber   of   serv e rs   is no t   e nough, both  al gorithm   best  fi t  an d  MTP  u se s  di ff e ren t   strat egies. Figure  4  sho ws  no.   of  t enan ts  placed  on   eac h  serv e r  num bered  as  1 ,  2   a nd  3.   I n  this  pa per  we  ad opt  the  SLA   penal ty   m od el   [ 17 ] ,  i f  qu e ries  arr ive d  duri ng  serv e r  overloa d  will   fail   to  noti ce  their  SL A  dead li ne s  a nd  the  pen al ty   nee d  to   be   pa id  by  serv ic e   pro vid er;   an d  ot her   queries   wil l  m ee t  their  SL A.  Re aso n  is   us ing  the  l oa d  of  a  te na nt  will   ch ang e   ver y  fr e quently   for  opti ng  SL A  m od el .  SLA  pen al ti es  occ ur  m os tl y  du e  to  prolo nged  sys tem   ov erloa d  i ns te ad  of   a  te m po rar y   burst in  ar rival  of query  f or  a  s hort  per io d (e xam ple arr i val dur i ng 10 m il l ise cond ).             Figure  4 .   N o. of tena nt  on seve r       As  it   sh ow n  i n  Figure  5  s ho ws  that   ho w  que ry  pr ocesse d  us in g  tw o  dif fer e nt  a ppr oac hes:  Be st  fit  Gr ee dy  an d  M TP,  in  w hich  B est   fit  work e d  on   ha rd   disk   ba sed  qu e ry  pro cessi ng   w hile  MTP  proces se d  que ry  ov e r  in - m e m or y  database  cl ust er.  Cost  of  query  processi ng   thr ough  te na nt  is  com par at ively   low  in  MT P   tha n  Be st  fit  Gr ee dy   an d  al s o  w orks   ef fecti vely   tha n  best   fit.   We  ha ve  al s o  exp e rim ented  scal abili ty   of   t enan t   placem ent.  Fig ur e   6  s how s  runn i ng  ti m e  of   MTP  wh ic h  is   for  50  te na nts.  Runnin g  tim e  f or  Be st  fit  gr ee dy  i s   insig nificant  be low  0.3   sec ond  e ve n  for  30  t enan ts ,  wh e rea s  MTP   ta kes   bi t  longer   ti m e  t han  Be st  fit  gr eedy   appr oach.             Figure  5 .   Ef fec ti ven ess  of  te na nt p la cem ent     Figure  6 .   Scal a bili ty  o f  te na nt  placem ent         Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2722 - 3221   Com pu t. Sci.  I nf. Tec hnol. ,   V ol.  1 , N o.   2 ,  J ul y  20 20 :  39   –   46   46   6.   CONCL US I O N   Mult it enan cy   with  in - m e m or y  database  ( opte d  in  O racle)  s peeds  up  the  processin g  a nd   r esp on se  ti m e  of   data  re quest .  For  in - m e m o ry  databa se  we   ha ve  te ste d  over  di ff e ren t  platfor m   li ke  SAP  H ANA,   G rid Gr a i n  and  Or acl e.   I n  this  pa pe r  we  ha ve  pro posed   m ul ti te nan c y  arch it ect ure  (supp le )  us in g  i n - m e m or y  datab ase  wi t h  pro po se d  MTP   al gorithm .  F r om   the  per s pe ct ive  of  ef fici ency  th e  pa per  sh ows   pro po se d  MT P   al gorithm   in   com par ison  with  Be st  fit  G ree dy  a ppro ac h  wi th  database   be nc hm ark   ( HRS B - MT)  over   fe w  te nan ts   to   im pro v e  the  qu al it y  of  te nan t   placem ent.  Wh il e   this   pap e r   f ocuses  on  s upplem ent   arc hitec ture   f or  m ulti te nan t  with  i n - m e m or y datab ase, in  futu re  will  w or k on dy nam ic  p la cem ent app ro ac h.       REFERE NCE S    [1]   Hung,  Tra n  &  Huang,   Chuanh e.   “ An  Eff e ct iv e  Data  Placem ent   Strateg y   in  Main - Mem or y   Data base   C luster. ”   Proce edi ngs  -   2n d  Inte rnat ional   Confe renc e  on   N et working   and  D istribut ed  Comp uti ng ,   ICND C ,   p p.   93   -   98 .   2011 .     [2]   Soon  M.  Chung.   “ Para ll el  m ai n   m emor y   d ataba se   s y stem. ”   In   Proc ee dings  o f  the  19 92  ACM/ SIGA P P  Symposium   on   Appl ie d   comput i ng:  technologic al  cha ll eng es  of   the  1990's   (SA C  ' 92) ,   Ha l  B er ghel ,   Ed   Dea ton ,   Georg e  Hedri c k,   David  Roa ch, a n d  Roger  W a inwright   ( Eds. ). ACM ,   New York, NY ,   US A,  pp.   273 - 282,   1992 .   [3]   Orac le  Dat ab ase   In - Mem or y   with  O rac l e  Da ta bas e  12c   Re l ea se   Mar ch   2017  fro m  htt ps:// do cs. ora c le . com/cd/ E1666 2_01/doc /tim este n. 1121/b56058 / arc h. h tm   [4]   Jan  Schaf fne r ,   B enj amin  Ec kar t,  Dea n  Jac obs,   Ch risti an  Schw arz ,   Hass o  Plat tne r ,   a nd  Alexa nd er  Z e ie r.  “ Predic t ing  in - m emor y   da tabase  per form an c e  for  aut om at ing   cl uste r  m ana ge m ent   ta sks . ”   In   Proce ed ings  of  t he  2011  I EE E   2 7th  Inte rnational   Co nfe renc e  on  Dat a  Engi n ee ring   (I CDE  ' 11) .   I EEE   Com pute r  Soci ety ,   W ashingt on ,   DC,  US A,  pp .   1264 - 1275 ,   201 1 .   [5]   Huang,   Yunkui  &  Zha ng ,   Yansong  &  Ji,  Xiaodo ng   &  W ang,   Zh a nwei  &  W ang,   S han.   “ A  Data   Di stribut ion  Stra teg y   for S ca l abl e   Mai n - Mem ory   Dat a base . ”   Advanc es  in  We b   and  Ne t work  Technol ogi es,   and  Informat ion Managemen t ,   AP We b /WA IM   2 009  Int ernati ona l  Workshops :   W CMT,  RTBI ,   DBI R - ENQOIR ,  P AI S ,   Suzhou ,   Chin a ,   pp . 13 - 24 ,  Apr il   2009 .   [6]   Jac obs,  Dea n ,   an d  Stefa n   Aulbach.  “ Rum ina ti ons  on  Multi - T ena n t  Data base s. ”   In   B TW ,   vol.  103,   pp .   514 - 521.   2007.   [7]   Ning  Zh ang,  Junichi  T at emura ,   Ji gnesh  Pat el ,   and  Haka n  Ha ci gum us.  “ Re - ev al ua ting  designs   for  m ult i - t ena n t  OL T P   workloads  on  S SD - base dI/O  subs y stems . ”   In   Pr oce ed ings  of  the  2014  ACM   SIGMO D  Inte rnatio nal  Confe r enc e   on  Manage ment  o f D ata   (SIG MO D  ' 14) .   ACM ,   New   York,  NY ,   US A,  pp .   1383 - 13 94 ,   2014 .   [8]   F.  Farbe r,   C .   Mathi s,  D.  D .   Cul p,   W .   Klei s  and   J.  Schaf fne r .   “ An  in - m emory   dat ab ase   s y st em  for  m ult i - te n an t   appl i ca t ions .”   Pr oc.   BTW ,   pp .   65 0 - 666,   2015   [9]   Zhe n  L iu,  Mark  S.  Squill an te,  an d  Joel  L .   W olf.  “ On  m axi m iz ing  service - le v el - ag ree m ent   prof it s. ”   In   Proceedi ngs  of  the  3rd  ACM  conf ere n ce   on   Elec troni c  Comm e rce   (EC  ' 01) .   AC M,  New  York,  NY ,   US A,  vol.   29 ,   no.   3 ,   pp .   213 - 223 ,   De ce m ber   2001 .   [10]   Y.  Chi,   H .   J.  Mo on,   and  H .   Hac ıg üm ü .   “ s.  iCBS:  Inc rement a l  Cost - base d  Schedu ling  under   Pie ce w ise  Li n ea r  SLAs . ”   PV LD B ,   vo l. 4,  no.   9 ,   pp .   563 – 5 74,   2011 .   [11]   Y.  Chi ,   H .   J.   M oon,   H.   Ha cı gü m ü¸s,  and  J.   T atem ura .   “ SLA - Tr ee :   A  Fram ewor k  for  E ffi ci en tly  Supporting   SL A - base d  De ci sions  in  Cloud   Com puti ng. ”   In   EDBT ,  pp.   129 – 140 ,   20 11 .   [12]   J.  Csirik ,   D.S.   Johns on .   “ Bounded  spa ce  on - l ine  bin   pa cki ng:   b e st  is   better   th an  first. ”   In   Proc eedings  of   th e199 1   sec ond  annual   A CM/SIGACT - SIAM ,   San   Franc isco,   vo l.   31,   no.   2 ,   pp .   115 - 138 ,   M arc h  1991 .   [13]   F.  W ang,  J.  Li,  J.  Zh ang  and  Q.   Huang,  “ Resea r ch  on   the  Mult i - Te nan t  Pl ac eme nt  Gen et i c  Algo rit hm   Based   o n   Euc a l y ptus  Pla tf orm , ”   2016  12th   Inte rnational   Co nfe renc e  on  Com putat ional  Int el ligence  and  Se cur it y  ( CIS) ,   W uxi,   pp.   382 - 385 ,   20 16 .   [14]   H.  Koziolek,  “ T he  SP OS AD   Ar chi t ec tur al  St y le  for  Mult i - t ena n t  Software   Appl ic a ti ons, ”   2011  Nint h  Work ing   IEE E /IF IP   Conf ere nce on  So ft w are  Architecture ,   Bould er,  CO,  p p.   320 - 327 .   201 1 .   [15]   Y.  Zh ang,  Z .   W ang,  B.   Gao ,   C .   Guo,   W .   Sun   a nd  X.   Li,   “ An  Eff ective  Heur isti c   for   On - li n e  Te nan t  Pl acem ent  Problem i n  SaaS , ”   2010   IE EE Int ernati onal   Confer enc e  on   We b   Se rvic es ,   Miami,   FL,   pp . 425 - 432.   2 010 .   [16]   Dann y   Stro cki s   “ Microsoft  Azure ”   from   https :/ /a zu re. m i cro soft. com/en - us/r esourc es/sample s/ac ti v e - dir ec to ry - dotne t - web app - m ult it ena n t - ope nidc onne ct   [17]   Y.  Xiao y ong ,   T.  Hong y an,  L .   Yi ng,   J.   Tong ,   L.  Ti an che ng   and   W .   Zhonghai,   “ A  Com pet it iv e  Penal t y   Mod el  f or  Avail ab il ity   B ase d  Cloud   SLA, ”   2015  IE EE  8th   I nte rnational   Con fe renc e  on   Cloud   Computing ,   Ne w  York  Cit y ,   N Y ,  pp.   964 - 970 ,  20 15       Evaluation Warning : The document was created with Spire.PDF for Python.