Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   10 ,  No.   3 ,  June   2020 ,  pp. 3 216 ~ 3226   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v10 i 3 . pp3216 - 32 26          3216       Journ al h om e page :  http: // ij ece.i aesc or e.c om/i nd ex .ph p/IJ ECE   An effici ent reso urce sh aring t echn iqu e for  mu lti - t enant  datab ases       Palla vi G .   B . 1 ,  P .   Jayarek ha 2   1 Depa rtment of  Com pute r  Scie n ce   and Engi ne ering ,   BMS   Coll eg e  of Engin ee ring ,   Indi a   2 Depa rt m ent   of  I nform at ion  Sci e nce   and Engi ne e ring ,  BMS   Col lege  of Engin ee rin g ,  Indi a       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Ma r 27 , 201 9   Re vised  N ov 9 ,   20 19   Accepte d  Nov 23,  2019     Multi - te n ancy   is   a  ke y   compone nt   of  Software   a s  a  Servic e  (Saa S)  par adi gm .   Multi - te n ant   soft ware   has  ga ine d  a  lot   of   attention   in  acade m ic s ,   re sea rch   and   business  are na.  They   provide   sca la b il i t y   and  ec onom ic   ben ef it s  for  both   cl oud  servi ce  provide rs  and  te nan ts   b y   sha ring  sam e  res ourc es  and   infra struc ture   in   isol at ion  o f  share d  da ta b ase s,  net work  and   computing   resourc es  with   Service  l evel  agr e ement  (SLA)  co m pli anc es.   In  a  m ult it ena n t   sce nar io ,   ac t ive  t ena nts c om pet e   f or  resourc es  in  o rde r  to   a ccess   th e  da ta b ase .   If  one  te n ant   b lo cks  up  the   resou rce s,  th e  per for m an ce   of  a ll   th e  othe r  t ena nts   m a y   b e  restr ic t e d  and  a   fa ir  sha ring  of  th e  r esourc es  m a y   be   co m prom ised.   The   per form an c e  of  te n ant s  m ust  not  be  aff e ct ed  b y   r esourc e - intensive  ac t ivi ties  and  vola tile  workloads   of  othe r  te nant s .   Moreove r,   the   prime  goal   of  prov ide rs  is  to  a cc om pli sh   low  cost  of   o per ation,   sa ti sf ying  spec i fic  sche m as/SLAs  of  ea ch  te n ant.  Consequent l y ,   t her e  is  a  nee d  t o  design  and  deve lop   eff ec t iv e  and   d y namic   r esourc e  sha ring  al gorit hm s  whic h  ca n   handle   above   m entione d  issues.  Th is  work  pre sents   a   m odel   r efe rr ed   as  Mult i - Te nan t  D y n amic  Resourc e   Sc hedul ing  Mode l  (MTDRS M)  embrac ing     a  quer y   c la ss ifica t ion   and   work er  sorting   techn ique   ena bl ing  ef fic i ent   and  d y nami c  resourc e  sharing   among  te nant s .   Th e  ex per iments  show   signifi c ant  per form anc e   improvem ent   ov er exi sting   m odel .   Ke yw or d s :   Cl oud  c om pu ti ng   Mult - it enan cy   Re so urce  m anag em ent   SLA   TPC - C   Copyright   ©   202 0   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Pall avi G .  B. ,    Dep a rtm ent o f C om pu te r  Scie nce   a nd E ng i ne erin g,   BM S Co ll ege  of Enginee rin g,   VTU, Ba ng al ore,  India .   Em a il :  palla vi.cse@b m sce.ac. in       1.   INTROD U CTION   Cl oud  com pu t ing   c urre ntly   is  an  em erg in g  a nd   m os t  prom isi ng   te ch no l og y,   on  w hich  var ie d  researc h  has  be en  car ried  by   var i ou s  c omm un it ie s  [1 ] .  It  has  bee n  a dopted  by  va rio us  orga nizat ion   and   I T   industries  to  buil d  an d  de ploy   custom   m ade  app li cat ion   in  var i ou s  fiel ds   as   gen et ic   sci ence,  healt hc are   and   s o  on.  Cl oud  te chnolo gies  is  dri ve n  by  econom ie s   of   scal e  by  pr ovidi ng   la rg e  scal e   distribu te d  c ompu ti ng   infr a struct ur e i n  w hich  res our ce such  as co m pu ti ng po wer, stor a ge,  p la tf orm  etc. and  ser vi ces are p rovi de d  on  dem and   thr ou gh   i nter net  [ 2],  The  ser vice  offer e d  by  cl oud  te c hnol og ie s  are  broad ly   cl assifi ed  into   three   cat egories.  T he y  ar e  I nfrastr uc ture  as  a  ser vice  (I aa S) ,  Plat f or m   as  a  serv ic e  (P aaS )  a nd   S of t war e  as  a   se rv ic e  (S aaS ).   Wh il e  IaaS  pr ov i der s   offer   var i ou s  hard war e  c ompu ta ti onal   nee ds ,  Paa S  pr ov i der s  offer   fr am ewor ks  and   pro gr am m ing   la ngua ges   require d  to  de velo p  s of t wa re/ap p li cat ion s   and  SaaS  pr ov i der s  offe r  a  fu ll - fled ged   rea dy  to  use   a pp li cat ion   as  a  se rv ic e .  SaaS  is  a n  at t racti ve  off er  for  softwa re  c ompanies  a s  they   can   us e  var i ou s   a pp li cat io ns   without  the  nee d  to   purc hase   an d  m ai ntain  th em   on   thei r  ow n  in fr a str uctu re.   Als o,   ser vice  pro vid e r  achie ve s  fu ll   eco nom y  of   scal e  by  hosti ng  su c h  Sa aS  ap plica ti on   us in g  a  m ulti ten ant   m od el  w he re t enan t  ref e r  t o  a n orga nizat ion / com pan y.   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       An  ef fi ci ent res ou r ce s ha ri ng t echn i qu e  for   m ulti - te nant  da t abas es   ( Pallav i G .   B . )   3217   Mult it enan cy   is  on e  of   t he  ke y  con cer ns   i n  SaaS.  It  re fers  to  a  pr i ncipl e  in  so ft war e  arch it ect ure,   wh ic h  is  the  a bili ty   to  enab l e  SaaS  a pp li c at ion   to  se r ve   m ulti ple  te nan ts  us i ng   a   sing le   se rv ic e  i ns ta nce .  Mult it enan cy   inv a riably   occ urs  at   the  datab ase  la ye r  of  th e  SaaS  a pp li ca ti on   [ 3]  re ferre d  to  as  M ulti - te nan t   Data  Ma na ge m ent  Syst e m   ( MTDBM S)   w her e  m ulti ple  t enan ts  a re  c onso li dated  on  to   the  data  ti er  r eso ur c e   wh il e  at   the  sa m e  tim e  isolati ng   t hem   a m on g  one  an oth e r  as  if  they   wer e   runn i ng   on  ph ysi cal ly  segr eg at ed   resou rces.  Ma ny  orga nizat io ns   e xpor t  th ei r  data  to  t hir d  pa rty   MTD BM S  in  orde r   to  pro visi on   data  m anag em ent  s erv ic es.  A  MTDBM S  m a y  isolat e  te nan ts  in  a  sh ared   data ba se  syst e m   -   by  ded ic at ed  dat abases   (sh a re d  m achi ne  ap proac h),  -   by  sh a re d  dat abases  a nd   se pa rate  ta bles  or  schem as   (sh ar ed  proc ess  ap proac h)   or   by  an  ass ociat ion   of  each  da ta set   in   a  sh ar ed  ta ble  with  t he  ap pro pr ia te   te nan t  (s har e d  ta ble  appro ac h)  [4 ] .   Id e ntific at ion   of   recor ds   f or  a  par ti cula r  te nan t  is  done  ba sed  on   a   uni qu e  te na nt  id  [5 ] .  Howe ver,  on e  of    the  m ajo r  chall eng e s  posed  by   m ult it enan t  app li cat io ns   is  eff ect ive  util iz a ti on   of  res ource s  [6 ] .  Each  te na nt  is   sta ti cal l y  assigned   a n  eq ual  am ou nt  of   res ource .  This  m a y  le ad  to  ineffi ci ent  util iz ation   of  res ources   wh e n  there  a re  fewer  or   m or e  l oa ds   of  que ries  on  databases   than   ex pecte d  a nd  is  the r efore  undesira ble  i n    a  m ultite nan t  s yst e m .  Moreover,  se rv ic e  pr ov i der s   m us t  al so   m eet   the  crit eria  of  Se r vice  Level  A gr e e m ent  (S L A)   [ 7] of te nan ts .   Ther e  a re  seve ral  dire  co ns eq uen ce  f or  both   te nan t  and   se r vice  pro vid er  s uch   as  ine ff ic i ency  in  data  centre  a nd r eve nu e ,  li m i te d  cl oud  a pp li cabil it y  and  unpre dicta ble  ap plica ti on  pe rfo rm ance  [ 8].  H oweve r   these   issues  a re  beh i nd  the  sc ope  of  this  pa per.  I n  sta te - of - art  s ing le   te na nt  da ta base  syst em ,   the  tw o  as pec ts  of   perform ance  analy sis  are  s erv e r  hardw a r e  for  op e rati ng  the  databa se  an d  wor kl oad.  Howe ver  wit h    m ul ti - te nan cy ,  since  di ff e ren t  te nan t  acce ss   the  sam e  datab ase  at   dif fer e nt   rates,  wor klo a ds   a nd  com plexiti es,  vend or s   need  to  keep  a  c he ck  on  perform ance  at ta inm e nt  of  each   te na nt.  As  a  resul t,  optim al   reso urc e   util iz at ion   bec om es  a  k ey   req ui rem ent  fo r  the  ser vice  pro vid e rs.   T his  pa per   e xp l or es  re so urce  m anag e m en t   arch it ect ure  co m po sed  of  a rc hitec ture  a nd  s cheduli ng  strat egies  to  a ddres s  m ult it enan cy   issues,   pa rtic ul arly   sh ari ng  of  r es ources  am ong  te nan ts  i n  order   t o  c om pu te   intensi ve  qu eries  an d  scal abili ty   fo r  w ork flo w  execu ti on.   T o  pro vid e  sc al abi li ty ,  the  MT - D BM S  sho uld   r un  on   lo w  c os t  com m od it y  har dware   an d  sca le   out   to a m any servers to  pr ov i de  s erv ic e t o  la r ge c onsu m ers.   Wor kf lo w  sc he du li ng  is  a  proces s  of   ide nt ify ing   an d  m anag i n g  th e  execu ti on  of  ce rtai n  ta sk   on    a  distrib uted   ne twork .  It  al lo cat es  certai n  a m ou nt  of  ap pr opriat e  res ourc e  to  a  ta s k  a nd  c om plete s  the  ta sk  within  us e r’s  def i ned   de adli ne  or   obj ect iv e  tim e.  Dev el op i ng   a n  eff ic ie nt  scheduli ng  m od el   will   ai d  in  i m pr ove  t he   ov e rall   syst em   per form ance.  Sc he du li ng   distri bu te d  t ask  is   co ns id ered  to  be   NP - ha rd    pro blem   [9 ] ,  as  a  resu lt   no   op ti m al  so luti on   is  fou nd  w it hin   po ly nom i al   tim e.  To  achieve  nea r  opt i m a l   sche du li ng  m any  he ur ist ic   sc hedulin g  has  been  prese nted .  H oweve r,   t he se  te ch niques   are  no t  s uitab le   for  sche du li ng  workflo w  in  m ulti - te nan t  cl ou d  com pu ti ng   e nv i ronm ents.  To  a ddress  t hi s  issue,  t he  a uthors    of   [ 10 ]   pr ese nt ed  an   ef fici ent  w ork flo w  s cheduli ng  wh e re  a  pro of - of - con ce pt  e xp e ri m ent  of   real - worl d  sci entifi c  wor k fl ow   a pp li cat ion s  has  bee n  per f orm ed  to  dem on strat e  the  scal abili ty  of   the  sc hedulin g  al gorithm ,  whic h  ve rifies  th e  eff ect ive nes s  of  the  pro pose d  s olu ti on.   H ow e ver  the y  did   no t  c onside r     the  i m pact  of  resour c e  fail ur e  a nd   dyna m ic   SLA   requirem ent  of   T enan ts .  Mor eo ver,  eff ic ie nt  resou rc e   al locat ion   an d  load  bala ncin g  te chn iq ue  is  r equ i red,  beca use   there  is  un c ertai nty  in  resour ce  a nd   loa d  wh ic h  changes  over  t i m e.  Re qu est   f or   resou rces  c hanges  over  ti m e  and   the  r es ource  it sel f  un derg o  seve ral  changes    (i.e. re s ource c an jo i n or l eav e a n et wor k) . T hese  dynam ic  u nce rtai nties m igh t l ead  to  p e r form ance b ottl eneck.   This  w ork  pr e sents  a  dy nam ic   scheduli ng  te chn iq ue  for  Mult i - Tena nt  SaaS  cl oud  e nvir on m ent  ov e rc om ing   the  ab ov e  c halle ng e s.  Fir stl y,  arch it ect ure  of   the  pr opos e d  Mult i - Tena nt  Database   Sys tem   is   pr ese nted . S ec ondly for d y na m ic  sch edu li ng , th e query (l oa d)  a nd   res ourc e inf orm at ion  is colle ct ed  accor ding  to  Mem or y,  I/O  an d  CPU .  Thir dly  the  query  an d  res ource  a re  div i de d  into  th ree  qu e ues  acc ord ing   to   Mem or y,  I/ O  a nd   CP U  intens ive.  Last ly ,  the  scheduler  util iz es  the  ov e rall   resou rce  avail able  and   sc he dule   to   resou rce  with  l igh te r  loa ds.  T his  ai d  in  bala ncin g  the  loa d  and   m ake  fu ll   us e  of  idle  inst ances.   T he  pa pe r  is   org a nized  as  f ollows:   In   sect ion   2 ,  a  stud y  of   relat ed  wor k  is  been   car ri ed  out.  A  sim p le   m ult it enan t  database   arch it ect ure  an d  relat ed  al gorithm s  and   flo w cha rts  ar e  disc us se d  in  sect io n  3 .  Ex pe rim e ntal  set   up   a nd  res ults   are  discuss e d  i n  sect io n 4. Fi nally , s ect ion 5   co nclu des  t he pape r.       2.   RESEA R CH  ME THO DOL ODY   The  iss ues  per t ai nin g  to  sc he duli ng  ta sk   on  m ul ti ple  work e rs  has  been  wi dely   stud ie d  in   distrib uted ,   par al le l,  gri d  a nd   cl us te r  c ompu ti ng  a nd   i n  r ecent  ye ar   the  sam e   kin d  of   s tud y  is  bee n  ca rr ie d  out  co ns ideri ng  virtu al   w orke rs   on   cl oud  e nv i ronm ent.  The  te chn i qu e s  ad opte d  by  these  m od el s  diff er  f ro m   char act erist ic   of   work l oa d,   res ources,  perfor m ance  m et ric   and   sch ed uling   in  m ulti a gen t  arc hitec ture  [ 11] .  All  these   m et ho dolo gies   are  de sig ned   base d  on  Heur ist ic   Algo rit hm ,  Meta - Heurist ic   Algo rithm ,  Scie ntific   Workflo ws  Exec ution,  De adline - a ware  S cheduli ng  an d  Mult i - te nan t  S aaS  A pp li cat io ns ,  wh ic h  is  ex te ns ively   resea rch e d  in the p resen te d work.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  3 ,  J une  2020  :   32 16   -   3226   3218   Heurist ic   Algo rithm :  Ma ny  e xisti ng  ap proa ches  ha ve  c onsidere d  heurist ic   m et ho ds  f or  cl us te ri ng ,   ta sk   duplica ti on  an d  sche duli ng.  Few  e xam ples  are:  In   [ 12 ]   Jing - Chi ou   L iou   et   al ,  pr ese nted  a  ta sk   cl ust ering  al gorithm   with  no  du plica ti on   nam el y  CASS - I I.   T hey  c om par ed  their  a lgorit hm   with  DS C  in  te rm s  of   both   sp ee d  and   s olut ion   qual it y.  In   [1 3]  R.  Ba j aj  and   D.   P.  A grawal  pr ese nted   ta sk   duplica tio n  based   sc he du l i ng   m echan ism   fo r  heter o ge ne ous  netw ork  (T ANH).  In   [14 ] ,  a  Hetero ge neous  Earli est   finish   tim e  ( HEF T )   sche du li ng  te c hn i qu e  for  sin gle  w ork  flo w   was   prese nted  by  H .  To pc uoglu,  S.  Har i ri,  an d  M.  Y.Wu   a nd     in   [ 15 ]   H.   M.   Far d,   et   al .,  pr esented  a  m ult i - obj ect ive   he uri sti c  sche du li ng  f or   gri d  a nd  cl ou d  e nv ir onm ent.   Howe ver   t hes e  m od el s  are   not  su it able   for  m ulti - ten ant  cl oud  e nv i ronm ent,  due  to   un pr e di ct able    perform ance  (thro ughput) .  Since  so m e  te na nt  m ay  op t  for   best  eff ort   be hav i or   [ 16]   and   so m e  m a y  p ref e r   perform ance isolat ion .   Me ta - Heurist ic   Algorithm :  To  m ini m iz e  wo rk fl ow   e xec utio n  co st  in  cl oud  env i ro nm ent,  the  aut hor s   i n  [17,   18 ]   ha ve  ad op te d  pa rtic le   swar m   op ti m iz at ion   (P S O)   based   sche du li ng  te chn i qu e   a nd   in   [1 9]     an  opti m iz at ion   of  ge netic   al gorithm   (G A ),   An t  c olony  optim iz ation   ( AC O)   a nd  PS O  ha s  bee n  im ple mented .     In   [20]  H .  M.   Far d  et   al .,  ha s  i m ple m ented   a  dynam ic   s cheduli ng  a nd  pr ic in g  m od el   for  sin gle   query  f or  m ul ti - cl ou d  pl at fo rm   and   has   com par ed  with  tra diti on al   m od el   m ulti - obje ct ive  ev olu ti onary  al gorit hms,  i.e.,   NSGA - I I  an d  SPEA2.  T he se  entire  m odel s  are  desig ne d  to  optim ize  in  gr id  e nviro nm ent  and   induce  com pu ti ng   ove rh ea d. He nce t hese m od el s a r e not s uitable  for l arg e  wo rkflow ap plica ti on.    Scie ntific   Wor kf l ow s   Ex ecuti on :  I n  [ 21]   the  auth or s   ha ve  stud ie d  the   pe rfo rm ance  and  co st  involve d  in  com pu ti ng   in  public  cl oud  env ir on m ent.  They  showe d  that  a m azon   EC2  is  no t  su it able  for  I/O  int ensiv e   app li cat io n  ( N ASA  H PC  cl ust er)   due  la ck  of  pa rall el   heter og e ne ous  com pu ti ng  platfo r m .  To  i m pr ov e   syst e m   perform ance  the  aut hors  of   [22]  pr e sorte d  local it y  awar e  sche du li ng.  H ow e ve r  eval ua ti on   on  dynam ic   real  world  wor klo a d  is  not  car ried  out.  Sim il arl y  D.   Y ua n  et   al ,  in  [ 23 ]   pre sented  a  data  placem ent  strat egy  in  sci entifi c clo ud workfl ow s  b y  adoptin g k - m ean clu ste rin g.   Dead li ne - a ware  Sche duli ng :   The   aut hors  of  [ 24 ]   ha ve  stud ie d  dynam ic   resou rce  al locat ion  f or   adap ti ve  a ppli cat ion   on  cl ou d  platf or m .  They  ad op te d  Q - le ar ning  bas ed  le arn i ng   m od el   to  m eet   t he  us e r  def i ne  dea dlin e  for  pa rtic ular   app li cat ion   re qu i rem ent.  A  gri d   ba sed  sc he du li ng  m od el   f or   dead li ne  co ns trai nt   weathe r  f or eca sti ng   syst em   a nd   a  he ur ist ic   m od el   to  m eet  dead li ne   f or   s ci entifi c  app li c at ion   w ork flo w  ha s   been   pr e sente d  in  [ 25,   26 ]   resp ect ively .  I n  [ 27 ]   S.  A bri sh am i  e t  al .  pr ese nted  s che du li ng  strat e gies  f or    sing le   w ork flo w  instance  f or  IaaS  cl oud  pl at fo rm .  Howe ver   none  of   th ese  m od el s  co ns ide red   m ulti - te na nt     cl oud  e nv i ron m ent.   Mult i - te nan t  S aaS  A pp li cat ion s:  Ma ny  ap proac hes  ha ve   been   present ed  f or   m ulti - te nan t  Saa S   app li cat io ns .  A  two - ti er  m u lt it enan t  ar chite ct ur e  has  bee n  presente d  in   [28].  A  m od el   to  determ ine  op ti m al  al locat ion   poli cy   and   a  res ource  al locat io n  m od el   for  Sa aS  ap plica ti ons  has  bee n  presented  in  [29 ,   30 ]   resp ect ively .   I n  [31]  S.   W al r aven  et   al .  pr e sented   an   ada pt ive  m idd le wa r e  desi gn  f or  ef fici ent  m ulti - ten ant   SaaS  ap plica ti on s .   T he  aut hors  i n  [ 32 ]   hi gh li ghte d  t he  pro blem   of   tra diti on al   CPU  sh ari ng   a ppr oa ch  f or   Database   as  a  serv ic e  (DA A S)   sce nar i o  a nd  hav e   pro pose d  a n  ef fecti ve  and  ef fici ent  C PU   s ha rin g  te c hn i qu e .  They  hav e  fo c us e d  on   fi n e - grai ne d  reservat ion   of  CPU  wi thout  sta ti c  a llo cat ion.  The  w ork  al so   sup ports  on   dem and   res our ce  avail abili ty .  H ow e ver  s ha rin g  of   CP U  r edu ce s  the   sys tem   cost  but  a t  the  sam e  tim e  i t   reduces  t he  sy stem   per form a nce  as  well .   I n  [ 33 ]   Vi vek   Nar asay ya   et   al .  pr opos e d  a   reservat ion   te chn i que   cal le d  SQ L V M  of   key  resour ces  i n  a  data base  syst em   su ch  as  CP U,   I/ O ,  an d  m e m or y.  The  a uthors  cl aim   that  un li ke  a  t rad it ion al   VM,  a  S Q LVM  is  m uch   m or e  li gh twei ght  as  it s  on ly   goal   is  to  pro vide   resource   isol at ion  acro s s  te na nt s.   I n  [ 34] ,  Ying   H ua  Z hou  et   al   has   intr od uced  a  DB2 M MT  (m assive  m ul ti - te nan t  da ta base  platfo rm )  high   le vel  a rch it ec ture.  T he  a uthor   has   a ddress ed  key  te ch nic al   chall en ges,  includi ng  re source ,  te nan t  an d  offe rin g  m anag em ent,  m on it or in g,   scal a bili ty   a nd   sec uri ty .  Th ey   hav e  c om par ed  th e  eco no m ic s  of   DB2 MM T a nd  trad it io nal s olu ti on w it h p rec ise  d at a s howi ng accepta ble  perform ance .   To  co nclu de,   extensi ve  surv ey   and   the  stu dy  of   relat ed  work   s howcas e  that  scheduli ng   a nd   lo a d  balancin g  play s  an  i m po rta nt  ro le   in  i m pr ovin g  the  pe rfo rm ance  of   m ul ti - te nan t  cl oud  arch it ect ur e .  Ma ny   appr oach es  a dopt  var io us   he ur ist ic ,  Me ta   he ur ist ic ,  cl us te rin g  an d  opti m iz at ion   te chni qu es  to  cl assi fy  us er   qu i res  an d  res ource  cl assifi c at ion .  All  thes e  appr oach es  a re  tim e  con sum ing   proce s se s,  in du ce  c ompu ta ti on   ov e r head  an d  are  a nd   m ay   no t  be  a ppli cable  f or   dy nam ic   workflo w  pro visio ning.   T o  ov e rco m e  these  chall enges, w e   prese nt  an   ef fi ci ent  sche duli ng  te c hn i qu e   f or  m ulti - Tenan t cl oud  a rch it ect ur e   that fu ll y u ti li ze s   the syst em  r esources  w it h SL A gu a ra ntee.         3.   ARCHITE CT UR E  OF  M U LT I - TE NAN T DA T ABA S E SYS TE M   3.1.   Model li ng   of  multi - te nant  s ys te m   An  ove rall   ar chite ct ur e  of  Mult i - te nan t  da ta base  syst e m   is  pr ese nte d  in   Fig ure  1.  T he  Te na nt   Ma nag e r  m ain ta ins  th e  ser vice  le vel  a gree m ent  receiv ed  f r o m   the  te nan ts.  The se   SLA  base d  te nan t   requirem ent  is  consi der e d  for  desi gn i ng  a  m ul ti te nan t  syst e m   and   m ai n ta ining   t he  sys tem   Qo S  ( Lat ency).     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       An  ef fi ci ent res ou r ce s ha ri ng t echn i qu e  for   m ulti - te nant  da t abas es   ( Pallav i G .   B . )   3219   The  ot her   i nput  to  Tena nt  Ma nag e r  is  th e  te nan t  co nf i gurati on  file   wh e re  te na nt  sp eci fic  set ti ngs  are   est ablished .   Te nan ts  request  f or   the  ta s k  e xe cution  or  data  base  acce ssi ng.  Tena nt  Ma na ger   c hec ks   the   load   and   sc he du le s  the  te nan t  as  per   a vaila bili t y  of   the  w ork ers  base d  on  SLA   c on st rain t  of   the  co rr es pondin g  te nan t.   Wo r ke r s  exec ute  the   t ask.   DB  c on ne ct or   is   us e d  f or  est ablishi ng  the  c onnecti on  betwee n  dat abase  serv e r  a nd   Ten ant  Ma na ger.  The  ty pe  of   da ta base  sha rin g  appr oach   us e d  is  the  schem a  base d  m ulti - ten ancy   appr oach.  A dynam ic  r esource  sch e duli ng sys tem  f or  a ssig nin g j obs is i ntr oduce d  i n  the   ne xt secti on.           Figure  1 .   A rch i te ct ur e  of  m ulti - te nan t  databa se syst em       3.2.   Multi - ten ant  dy n amic res ourc e sche duli ng  m od el   The  obj ect ive  of   pro po se d  dy nam ic   reso ur ce  sche du li ng  syst e m   is  that  the  Me m or y,  I/O  an d  CPU   us a ge  do  not   confli ct   each   oth e r  in  ord er  to  im pr ov e   sche du li ng  pe rfor m ance  an d  util iz ing   res ource  eff ic ie ntly .  Le t’s  co ns ide r  a  case  wh e re  s om e  qu ery  ex ecuti on   re qu ir es  le ss  I/O  or   Mem or y  resour ces ,     bu t  it   m igh t  re qu i re  hi gh e r  C PU   resou rce  t o  c om plete   the  ta sk .  T his  sce nar i o  can   be   e ff ect ively   s olve d  by   pro po se d  dy nam ic   sched uling   syst em ,  a nd   m or eo ver   eff ect ive  loa d  balancin g  ap proac h  ai d  in   bette r   util iz at ion  of  i dle insta nces.   The  sc he du li ng syst e m  co m pr ise s of t hr ee m od ules   Te nan t  Task  Mana ger(TT M)         Glob al  Ten a nt Man ager(G TM)        Dy nam ic  Sch ed uler     3.2.1 .   Sy s tem   mod el   Ar c hitec ture  of  syst em   fr a m ewor k  is  pres ented  i n  Fig ure  2.   T he  Te na nt  Task   Ma na ger   (TTM )   m anag es  t he   ta sk /q ue ry  r equ e ste d  by  the  te na nt.  S i m ultaneou sly   it   al so   pro cesses  the se  request.     The  processe d  requests  are   f urt her   div i de d  into  se par at e  qu eues  based   on  the  te na nt  requ irem ent  of   Me m or y,   I/O  a nd  CPU   f or   c om pu ta ti on  or  searc hing  of  data.   Me an w hile,  the  L ocal  Wor ker   Ma na ge r  (L WM)   m on it or s     the  w orke r  loa d  a nd   updates  t he  in form at ion   to  the  Global   Tena nt  Ma na ge r  ( GTM) .  GT M  so rts  t he  a va il able   workers   base d   on  CP U,  I/ O   an d  Me m or y  for  processi ng  ta sk .   Dy nam i c  sche dule r  w orks  betw een   Tena nt  Task  Ma nag e r   an d  Gl ob al   Tena nt  Ma na ge r.   Sc he du le r  ta kes  the  re quest   ta sk   que ue   from   Tenan t   Task   Ma nag e r  an d  i nfor m at ion   fro m   the  Glob al   Tena nt  Ma nager  an d  sc hedul es  the  ta s k  ba s ed  on  best  co m pat ible  value f or   both  Global  Te nan t  Ma nag e r  a nd T enan t  Task  Ma nag e r.     3.2.2 .   Sy s tem   pa r amet er s   Let   us  co ns i der    te na nts,    workers   an d    num ber   of que ry  re quest s.    Wor ker s   are   re pr ese nted   as     =  { 1,   2,  3  …a ,  ,   … ,  }  an d    queries  a r e  represe nted  as{ 1,  2,   3,   … ,  ,  … ,  }.     The  w orke rs  in  cl oud  en vi ronm ent  rep re sent  a  set   of  virtu al   m achines  w hich  a re  threa ds   in   our    exp e rim ents.  Each  th read’s  c om pu ti ng   ca pa bili ty   is  def ine d  by  it s  pa ram et er  su c h  as  M e m or y,  I/O   an d  CP U     (i.e.    =  ( ,  )   wh e re    de fines  Me m or y  us age,    def i nes  I/ O  wait in g  ti m e  an d    de fi nes  CP U   util iz at ion  r es pe ct ively ).  T he GTM  per i od ic al ly  co ll ect s an d updates t his infor m at ion  from  LW M.     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  3 ,  J une  2020  :   32 16   -   3226   3220       Figure  2 .   A rch i te ct ur e  of  m ulti - te nan t  dynam ic  r eso urce sc he du li ng m od el       3.2.3 .   Quer y  c lassifier   In it ia ll y,  the  te nan t  ta s k  m anag er  c ollec ts  te nan t  s ubm i tt e d  que ry  al ong  with  the  resou rce  re qu i red  inf or m at ion   to  proces s  t he  qu ery  an d  SL A  r equ i rem ent .  Th e  qu e ry  s p eci fi es  query  siz e  S y,  require d  CP U  Vy ,   m e m or y  Ry  ,tim e  req uire d  f or  the  exec ution  By   [Th is  infor m at ion   is  ob ta ined  f r om   con fig  file   fo r  eac h  te nan t   sh ow n  in   F ig ure   1] . T he  i nform at ion  is g at he red  i n order  to c at er th e  queri es d em and in g dive rsified  r es ourc es .   Hen ce f or th ,  a   query  r eq uest ed  by  te na nt  y  is  represe nted  as  Qy  =  ( Ry ,  Vy,  Sy,  By ). The  TTM   furthe r   determ ines the  I/O req uire d  as :     D y = S y V y   (1)     The  I/O  us a ge  is  directl y  depend e nt  on  the  qu e ry  siz e  and   CPU  capa bili ty   and   is  therefore  c om pu te d  by  the  rate  of     and  .   F ur t her ,   the  rec ei ved   queries  are  cl assifi ed   and  que ued  up .  I n  order  to  c la ssify     the  receive d  query,  t he  cl oud  resou rce  pa ra m e te rs  (system   par am et ers  in  our  case )   R k ,  D k   an d  V k of   Me m or y,   I/O  a nd  CP U  a re  def in ed .  T he n,   f or   each   que ry  Qy,   wei gh ts   of  R,   D   an d  V   are  c om pu te d  by  it s  val ue  Ry ,  D y   and  V y   and  R k ,  D k   an d  V k .  Th e  m axim u m   of   th ese  three   wei gh ts  are  c onsi der e d  as   que r y  group   Qyg .     If   Qyg  =  D ,  th e  qu e ry  is  portion e d  int o  que ue   of   I/O  inte ns ive,  if    =  ,  the  query  is  portio ne d  into  queue s   of   CP U  intensi ve  an d  so   on.  In   the  pro po se d  m od el   the  qu eries  in  the se   three  que ues  are  eq ual  to  th e  total   nu m ber   of que ries (i.e . eac h o ne of  thr ee  que ues  m akes up o nly o ne part  of  al l qu e ries).     Q yg = ma x ( R , D , V ) = ( R y R k ⁄ , D y D k ⁄ , V y V k ⁄ ) .   (2)     Finall y,  total   M  qu eries  w hi ch  are  par ti ti on e d  into  th re e  qu eries  are  represe nted  as   ,      and     of    I/O  inte ns ive ,    CPU  inte ns i ve  an d    −    −    Me m or y  i ntensi ve  res pe ct ively   by  the  qu e ry    gro up  .     L QD = { Q j + 1 , Q j + 2 , Q j + 3 , … , Q yD , … , Q j + i }   (3)   L QV = { Q 1 , Q 2 , Q 3 , … , Q yV , … , Q j }   (4)     L QR = { Q j + i + 1 , Q j + i + 2 , Q j + i + 3 , … , Q yR , … , Q M − j − i } .   (5)     A deta il ed  di a gram  is sh own  in  Fi gure  3 .      Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       An  ef fi ci ent res ou r ce s ha ri ng t echn i qu e  for   m ulti - te nant  da t abas es   ( Pallav i G .   B . )   3221       Figure  3 .   Q uery   cl assifi cat ion t echn i qu e       3.2.4 .   Wor ker  so rtin g tech nique   The  w orke r  in  cl oud  en vir onm ent  con sist s  of   set   of  vi rtua l  m achine  (threads) .  Each  vir tual  m achine   com pu ti ng   ca pa bili ty   is  def ined   by  it s  para m et er  su ch   a s  Me m or y,  I/O  a nd  CPU   (i .e.  L x = ( R x , D x , V x ) .   This  param et er   def ines ,  Mem or y  us a ge,   I/ O  wait ing   tim e  a nd   CP U  util iz at ion .  T he  GTM   per io dical ly   c ollec ts   and   updates  t his  inf orm ation   f ro m   L W M.   L W M  gathe rs  Me m or y  us age,  I/O  w ai ti ng   pe rio d  an d  CPU   util iz at ion   inform ation   from   l ocal  wor ker s  e it her   per i odic al ly   def ined  by   us er  or  w he n  50 %  of   the  t ask  is  com plete d  in  a  par ti cular  th read.  L W M  tr ansm it s   this  i nfor m at ion   to  the  GTM.   Ne xt,  GTM  s or ts   these   workers  from   sm a ll   to  la rg e  consi der i ng  M e m or y,  I/ O  a nd  CP U  re sour c es  an d  form s  qu eue s  ,    and    resp ect ively   i. e. ,  LR  ho l ds   the  w orke rs  in  the  i ncr easi ng   orde r  of   t heir  m e m or y  capaci ty ,  LD  ho l ds   the  wor ker s  in   the  increasin g  order   of   their   I/O  capaci ty   and   L V  hold s  the  sam e   wo r ke rs  in  the  inc r easi ng   order o f  CP U  a vaila ble r e sp ec ti vely .       L R = { W 1 , W 2 , W 3 , … , W yR , … , W H }   (6)       L D = { W 1 , W 2 , W 3 , … , W yD , … , W H }   (7)       L V = { W 1 , W 2 , W 3 , … , W yV , … , W H }   (8)     All  the  w orke r s  are  s or te d  rat her   t han  cl assify ing,  due  t o  s iz e  and   res our ces  dynam ic s.  As  a  resu lt ,   these  th ree  que ues  ar e  com posed  of   w orker s   with  al l  the  re so urces ,  unli ke   the  que ries  qu eue.  C onseq ue ntly ,  the  pro posed  m od el   co m pr ise s  of   t wo   ty pes   of   qu e ues .  Th e  qu e ry  que ues   represe nting   Mem or y,  I/O  a nd   C P U   intensive   queri es  an d  the   w orke r  qu e ues,  wh ic h  are   f orm ed  by  s or ti ng  Me m or y,  I/ O  a nd   C PU  lo ad  f r om    sm a ll  too  b i g.     3.2.5 .   D ynami c scheduli n g a pproach   Last ly ,  the  scheduler  assi gns  qu e ry  (b a se d  on  it s  ty pe, weig ht  an d  S LA)from   qu eu es  of   Te nan t   Ma nag e r  to   w orkers  s or te d  by   GTM.  i.e .,  ba sed  on  weig ht   (CPU)  assi gn ed  to   a  qu e ry  say   q1  a  high  or  lo w  CPU  util iz at ion   w orker   is  al locat ed.   I f  a  qu e ry  has  le ss   weigh t ,  then  it   is  assigned   a  work e r  with   le ss  process i ng   po wer   a nd   f or   hig he r  w ei ght  query  a  w orke r   with  hi gh   pro cessi ng   powe r   is  assigne d.A   qu e ry  q2(m e m or y  or  i/ o  intensive )   in  accor da nce   with  it s  weig ht  can  be  assi gn e d  to  a  w orker   wh ic h  is  a lready   execu ti ng  a no t her   qu e ry  if  it   has  en ough  r eso ur ce  to  handle   the  query  and   al s o  SL A  of   the  query  is  m et .    If   neithe r  fail s  a n e w wor ker  i s assig ne d  to  query  q2.   Be sides,  f or   m axi m iz ing   reso urce  util iz ation ,  t he  query   is  assigned   t o  a  w orker   w it h  le ss  load     (i.e.  as sig ning  qu e ry  c orres pond i ng  to   it s  ty pe  a nd  loa d).  Fo r   e xam ple,  the  Me m or y,  I/ O  a nd  CP U  int ensiv e   qu e ries  ar e  ass ign e d  to   w orke r  with   lo w  Me m or y,  I /O  a nd   CPU  us a ge  res pecti vely .  Mo r eov e r,   t he  sc he du le r   will   assign  eac h  query  f ro m   e ach  queu e  to  a  diff e re nt  avail able  wor ker   f or  si m ultaneou s  e xecu ti on.  T his  a ids   in r e duci ng the  load an d  e nha nce syste m  eff ic ie ncy.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  3 ,  J une  2020  :   32 16   -   3226   3222   3.2.6 .   D ynami c scheduli n g a pproach   If   the  num ber   of   w orke rs  are   m or e  than  the   req ue ste d  nu m ber   of   qu e rie s  then  base d  on  requirem ent  the  sche dule r  will   assign  the   qu e ry  to  the  worker  m ai nta ining   t he  lo a d.  Howe ver   if  r equ e ste d  nu m ber   of  qu e ries  are  m or e  tha n  the  a va il able  work e rs,  then  queries  ne eds  to  be   assi gn e d  in   gro up  as  show n  in   F i gure  4.  It  m akes  on e  batch  of  queri es  fr om   s ub   queries,  qu e ues   it   as   g=M/ G ,   wh ere  G  re presents  the  nu m ber   of   qu e ues  cre at e d.  Rem ai nin g  M - g  queries  will   be  con sid ered   in  ne xt  gro up.  If   M - g> H  then  the  pr ocess  of   gro up i ng  the  queries  is  co ntinu e d  oth e r wise  w orker s   are   a ssign e d  t o  qu e ries  on  a   re gu l ar  ba sis.  T his  proces s   is  rep eat ed  un ti l  execu ti on  of  la st  qu e ry.  I n  th is  appro ac h  ea ch  w orke r  is  assigne d  with on e  ta sk   an d  us a ge s  of   CPU,  m e m or y  and   I O  are  a ll   m ai ntained.   Tena nt  qu e ry  execu ti on  is  al so   faster  yi el ding  to  high  s yst e m   perform ance an d t hro ughp ut.     3.2.7 .   D ynami c scheduli n g a da p tivit y me t ho d   If   the  num ber   of   w orke rs  a re   m or e  than  the   req ue ste d  nu m ber   of   qu e rie s  then  base d  on  requirem ent  the  sche dule r  will   assign  the   qu e ry  to  the  worker  m ai nta ining   t he  loa d.  Howe ver   if  r equ e ste d  nu m ber   of  qu e ries  are  m or e  tha n  the  a va il able  work e rs,  then  queries  ne eds  to  be  assi gn e d  in   gro up  as  show n  in   Fi gure  4.  It  m akes  on e  batch  of  queri es  from   su b  queries,   que ues   it   as  g=M/ G  ,   where  G  repr esents  the  nu m ber   of  qu e ues  create d.  Rem ai nin g  M - g  queries  will   be  con sid ered   in  ne xt  gro up.  If   M - g> H  then  the  pr ocess  of   gro up i ng  the  queries  is  c onti nu e d  oth e r wise  w orker s   are   a ssign e d  t o  qu e ries  on  a   re gu l ar  ba sis.  T his  proces s   is  rep eat ed  un ti l  execu ti on  of  la st  qu e ry.  I n  th is  appro ac h  ea ch  w orke r  is  assigne d  with on e  ta sk   an d  us a ge s  of   CPU,  m e m or y  and   I O  are  a ll   m ai ntained.   Tena nt  qu e ry  execu ti o n  is  al so   faster  yi el ding  to  high  s yst e m   perform ance an d t hro ughp ut.           Figur e   4 .   Flo w char t  of  dy nam ic  sch e du li ng a dap ti vity  m et ho d       4.   E X PERI MEN TAL RES UL T AND  A NAL YS IS   We  ha ve  co nducte d  seve ral   exp e rim ents  to  evaluate  th e  perform ance  of   pr opos e d  m od el   ov er   existi ng   Mute   Be nch   ap pro ach  [ 4]  in  te rm s   of   la te ncy  and   th rou ghput  (transac ti on  per   seco nds) .   Fo r   exp e rim ent  evaluati on   OLT P   an d  YC SB  be nch m ark   is  us e d.   T he  M ute  Be nch  m od el   is  desig ne d  usi ng   j a va   fr am ewo r k  in  wh ic h  the  aut hors  ha ve  at te m pted  to  up gr ade  OLT P - Be nch   int o  a  Mult i - Tena nt  Da ta base  Be nch m ark   Fram ewo r k.   I n  the  pr e sente d  work,  we  ha ve   incorporate d  pr op os e d  Mu lt i - Tenan t  Dy nam ic  Re so urce  Sc he du le r  Mo del  (MTDRSM )  into  [4 ] .  We  f ur t her   e xten de d  m od el   [4 ]   t o  s upport  wor klo a d  execu ti on  f or  diff e re nt   ben c hm ark s  and   m ul ti - te nan t  w orkloa d  exec ut ion   on  dif fere nt  database  s uch   a s   My SQ L,  Or a cl e, and  H 2D B  e tc . b y  us in g Hi bernate f ram e work.   The  MT DRS M  is  dev el oped  us in g  J AVA  program m i ng  la ngua ge  on  ecl ipse  ne on  f ram ewo r k.     The  syst em   env ir on m ent  us e d  f or  w orkl oad  exec ution  is  I - 5,  3 . 2  GH z , q ua d  c or e In te l  cl ass  proce ssor w it h  16  GB  RAM.  We  hav e  co ns i de red   w orkl oad  execu ti on  of   TPCC   and   YCSB  be nchm ark   on  H2   database .     The  w orkl oad   execu ti on  is  ca rr ie d  out  f or   both  with  a nd   wi thout  SL A  com pliances.  Ea ch  te nan t  is  gi ven   a  set   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       An  ef fi ci ent res ou r ce s ha ri ng t echn i qu e  for   m ulti - te nant  da t abas es   ( Pallav i G .   B . )   3223   of   wor ker   (t hr e ads)   for  w orkl oad   e xec ution.   The  num ber   of  w orker   is  vari ed  as  10,  20   a nd   50.  T he  te na nt  I D   is  increm ented  by  3  (i.e .  f or  10,  20  a nd  50  w orker  the re  a re  4,   7  a nd  17  te na nts,  res pecti ve ly )  an d   6  te na nt  pe r   execu ti on  is  c on si der e d.   Eac h  te na nt  execut es  it s  wo rk l oa d  with  un li m i t ed  data  rate.  T he  OLT P  an d  YCSB   work l oa d  m ix is co m po se d of  25% r ea d rec ord  a nd 15%  for  each  oth e r  tra nsa ct ion  ty pes .     4.1.   SLA  an d  SL A  brea c h   In   t he  Qu e ry   Q y =   ( K y , V y , R y , T y ) ,  if  the f irst  t hr ee   par am et ers  re pr ese nt q ue ry  s iz e,  CPU u ti li zat ion  and  m e m or y  that  t he  te na nt  app li es   to   us e,   the n  T y   is  t he  S LA   breac h  of  t he   query.   T hes e  par am et ers  c om e   from   the  Ten a nt  ta sk  m anag e r  a nd  a re  s ubm it te d  by  te nan t s.  If  the   query   Q y fail   to  m eet   T y   de fine d  by  te na nt   to it s servic e  prov i der, the n  t he  SL A  is c onsidere d  t o be  br e ached. T he SL A  is m easur e d as f ollows:   Qu e ry r et rieval  tim e is cal culat ed             q R e trie v a l = ∑ ( q y − w + q y − pr oc es s ed ) H   (9)     w he re   q y − w   is  the  wait ing   ti m e,   q y − pr oce ss e d   is  the  proces sing   or  qu e ry  com pleti on   ti m e  and   H  is  t otal  nu m ber   of que ries.   C heck if  q R e t rieva l >  T y . If  ye s  query  is breache d.     4.2.   Latenc y perf or man ce  evalu at i on   In   Fig ur e   5  the  la te ncy  perform ance  cons iderin g  dif fer e nt  w orke r  without  SL A  c om pl ia nces  is   sh ow n.   It  is  seen  from   gr ap h  the  MTDRSM   perform s  better   than  Mu TeB ench   in  te rm   of   la te ncy  per for m anc e   consi der i ng   va ried  w orke r.   T he  MTDRSM   reduce  la te ncy  by  23 . 87% ,  11. 82%  an d  46. 63%  co ns ide ring   10,  20   a nd   50   wor ker   re sp ect ivel y,  ov e r  MuTe Be nch.  A n  ave rag e  la te ncy  re du ct io n  of  27. 44%  is  achiev ed  by   MTDRSM   ov er  MuTeB enc h.   Sim i la rly ,  In   Fig ur e   6  the   la te ncy  per for m ance  con si de rin g  dif fer e nt  worker   with  S LA   com pliances   is   sho wn.  It  is  see n  from   gr ap h  t he   MTDRSM   pe rfor m s  bette r  t han  MuTeB e nc h  in   te rm   of   la te nc y  perform ance  co ns ide rin g  va ried  w orker.  The  MT DRS M  reduce  la te ncy  by  23. 08%,  11.7 %   and   45. 83 %  c onside rin g  10,  20  an d  50   w ork er  res pecti vely ,  over  M uTeB ench.  A n  a ve ra ge  la te ncy  re duct ion  of   28. 2%  is  ac hieve d  by  MT DRSM  ov e r  M u TeB enc h.  It  i s  seen   f ro m   Figure  5  a nd  Fig ur e   6  t hat  pr ovisi on in g  SLA  t o  te nan t i nduces  a slig ht overhea d  in  lat ency pe rfor m ance.             Figure  5.  A verage lat ency ac hieve d for  var i ed   worker  with ou t  SLA     Figure  6.  A verage lat e ncy ac hieve d for  var i ed  worker  with  S LA       4.3 .   Throu gh p ut ( t ransacti on   pe r seco nd  e valu at i on )  per fo r man ce  evalu ati on   Table s   1  an d  2  descr ibes  the  transacti on  sta tus  with ou t  an d  with  SLA   res pecti vely .  The  transacti on   sta tus is c om po se d of   f ollow i ng ty pe:   -   Com plete d  tr ansacti on: t his  sh ows  the t ransac ti on  is  su cc essfu ll y c om pl et ed,     -   A borte d  tra nsa ct ion : t his  sho w  the  tra ns act ion i s a borted b y user /sy ste m ,   -   Re j ect ed  tra ns act io n:  this  sh ows  the  tra nsa ct ion   is  rej e ct ed  du e  to  w r ong  inf orm ation   entere d  (. i.e .   non - existe nt acc ount num ber ) d uri ng  t ran sact i on and   -   U ne xpect ed  e rror : t his is  du e  to un e xpect ed   scenari o  s uc h  a s server/ netw ork dow n.     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  3 ,  J une  2020  :   32 16   -   3226   3224   It  is  seen  from   Table s   1  an d  2,   MTDRSM   a chieves  high  num ber   of   tra nsa ct ion   pe r  seco nd   ( TPS )  as   c om par ed  to  MuTeB enc h.   I n  Fig ur e   7  the   throu ghput  pe rfor m ance  co ns ide rin g  dif fe ren t  w orke rs  without  SLA   c om plian ces  is  show n.   It  is  seen  from   gr ap h  th e  MTDRSM   perform s  better   than  Mu Te Be nch.     The  MT DRS M  i m pr ov e s  thr ough pu t  by  5.87%,  3.03%  an d  2.6 3%   consi der i ng   10,  20  a nd   50  w ork e r   resp ect ively ,  over  M uTeBe nc h.   A n  ave ra ge   thr oughput  i m pr ov em ent  of  3.8 4%  is  ac hieve d  by  MTDRSM   ov e r  M uTeBe nc h.  Sim i la rly ,  in  Fi gure   8  the   thr oughput  perform ance  co nsi der in g  dif fer e nt  w orke r  with   SL A  com pliances  is  sh ow n.   It  is  seen  f ro m   gr a ph  the  MT DRS M  perform s  bette r  than  M uT eB ench   i n  te rm s  of   thr oughput  perform ance  cons iderin g  var ie d  worker.   Th e  MTDRSM   im pro ves  th r oughpu t  by  7.2 4% ,  7.4 %  and  7.1%   co nsi der in g  10,  20  a nd   50  work e r  re sp ect iv el y,  ov e r  Mu TeB ench.  An  aver a ge  t hro ughput   i m pr ovem ent  of   7.25 %  is  ac hieve d  by  MTDRSM   over  MuTeB enc h.   I t  is  seen  fr om   Figure  7  a nd   Figure  8  that  prov isi on i ng   S LA  to  te na nt  induces  an   ov e rh ea d  in  t hro ughput  pe rfor m ance  of   M uTeBenc h,   w he re  us  MTDRSM  is e ff ic ie nt  wh e n p rovisio ning S L A  to  tena nt.       Table  1 .   T ra nsa ct ion  stat us w it ho ut  SL A   T ra n s a c ti o n   S ta t u s  w i t h o u t   SL A   N u m b er   o f  w o r k er   C o m p l e te d  T ra n s ac t i o n   A b o r t e d   Tr a n s ac t i o n   R e j e ct e d   T ra n s a ct io n   U n e x p e c te d   er r o r   M u T eB e n c h   M TD R SM   M u T eB e n c h   M TD R SM   M u T eB e n c h   M TD R SM   M u T eB e n c h   M TD R SM   10   6711   6849   10   7   74911   79901   31   5   20   13203   13288   11   8   149122   154134   59   45   50   10507   12873   9   7   148255   151225   116   102       Table  2.   T ra nsa ct ion  stat us w it h  SL A   T ra n s a c ti o n   S ta t u s  w i t h  S LA   N u m b er   o f  w o r k er   C o m p l e te d  T ra n s ac t i o n   A b o r t e d   Tr a n s ac t i o n   R e j e ct e d  T ra n s a ct io n   U n e x p e c te d   er r o r   M u T eB e n c h   M TD R SM   M u T eB e n c h   M TD R SM   M u T eB e n c h   M TD R SM   M u T eB e n c h   M TD R SM   10   10799   12894   12   8   144222   154264   37   21   20   10906   13108   10   8   142508   152592   64   50   50   11062   12960   8   8   140554   150260   39   27             Figure  7 .   Th r ough pu t ac hie ve d for  var ie d work e r  without S LA     Figure  8.  Th r ough pu t ac hie ve d for  var ie d work e r  with S LA       5.   CONCL US I O N   Mult it enan t  da ta base  m anag e m ent  on  cl ou d  en vir on m ent  has  at ta ine d  huge   intere st  a m on g  var io us   orga nizat ion s ,  du e  t o  scal abili ty   and   cost  benefit s.  The  wide   su r vey  carrie d  ou t  s hows  the  existi ng   sc he duli ng   te chn iq ue  s uff ers  due  to  N P - Hard  pro blem .  Ther e fore   an  eff ic ie nt  sche duli ng   a nd  load  balancin g  m ec han ism   is  require d  f or  dynam ic   resour ce   al locat io n.  He re  we   pre sented   que ry  cl assifi cat ion   and  w orke r  s ort ing  te chn iq ue  f or   dynam ic   reso urce  al locat io n  and  ha ndli ng  idle  insta nce  ef fici ently .  Ex pe rim ents  are  c onduct e d  to  evaluate  th e  per f orm ance  of   MTDR S M  in  te r m s  of   la te ncy  and  throu ghput  w it h  and   without  SLA  com pliances.  The  ex pe rim en ts  are  cond ucted  co ns ide rin g  var ie d  te nan t,  worker  an d  w orkl oad   s uch   as  TPCC   and   YCSB  be nch m ark s.  The   exp e rim ental   ou tc om e  sh ow s  the  MTDRS  reduces  a ver a ge   la te ncy  of   27. 44%   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       An  ef fi ci ent res ou r ce s ha ri ng t echn i qu e  for   m ulti - te nant  da t abas es   ( Pallav i G .   B . )   3225   and   28. 2%  over  Mute   Be nc h  with out  an d  with  SL A  c om pl ia nce  res pe ct ively .  The  MTDRSM   im pro ves  aver a ge  th r oughput  by  3.84%   and   7.2 5%  over  Mute   Be nc h  without  an d  with  SL A  c ompli ance  re sp ect ively .  The  ov e rall   res ult   achieve d  s hows   that  w he n  SLA   is  giv e n  t o  te na nt  the re  incu r  a n  ove rh e ad  f or  Mute   B ench  m od el ,  as  a  r esult  af fect  th e  pe rfor m ance  of  th rou ghpu t  and  in duce   la te ncy  f or  te nan t.   T his  s hows     the  eff ic ie ncy   of   ha nd li ng   idle  instance  by  MTDRSM   m od el .  The  ov e rall   resu lt   achieve d  sho ws  that    the  MTDRSM   can  pro visio n  SLA   wit hout  incu rr i ng   la te nc y  to  te nan ts  an d  pe rfor m s  sign ific antly   bette r  tha n  Mute   Be nc h.   P rovisio ning  sec ur it y  to  databa se  acce ss  in  m ulti - te nan t  cl oud  e nv ir onm ent  is  a  crit ic al   factor   i n  increasin g  wi de   adoption.  T he  f utu re  wor k  w ou l d  co ns i der   prov isi on i ng   sec ur it y  to  m ulti - te nan t  cl oud    SaaS e nv i ronm ent.       ACKN OWLE DGE MENTS   The  a uthors  would  li ke  t o  ackno wled ge   and   t hank  T echn ic al   E du c at ion   Q ualit y  Im pr ov em ent   Pr og ram  [ TEQ IP ]  P hase  3, BM S Co ll ege  of  En gin eeri ng , B asava nagu di , B ang al or e .       REFERE NCE S   [1]   B.   P.  Rim al   and   E.   Choi ,   “ A  servic e - or ie nt ed  ta x onom ic al   spec tr um ,   cl oud y   chall enge s  and  oppor tuni ties  of  cl oud   computing, ”   in   I nte rnational   Jou rnal  of  Comm un ic ati on   Syst ems ,   vol.   25 ,   no .   6 ,   pp .   796 – 819 ,   Jun.   2012.   [2]   I.   Fos te r,   Y.  Zh ao,   I .   Raicu,   and   S.  Lu,   “ Cloud  c om puti ng  and  gr id  computing  36 0 - degr ee   compar ed, ”  2008  Gr id  Computing  En vir onments  Workshop ,   Aus ti n,   TX ,   pp.   1 - 10 ,   2008 .   [3]   Stefa n  Aulba ch,  Torste n  Grus t,  Dea n  Jac obs,  Alfons  Kem per ,   and  J an  Rit ti n ge r,   “ Multi - t enant  databa ses  fo r   software   as  a  se r vic e :  Schema - m appi ng  te chn i ques, ”   In  SIGM OD   '08:  Proce e dings  of  the   20 08  ACM  SIGMO D   int ernati ona l co nfe renc e  on   Man ageme nt  o f  da ta ,   p p.   1195 – 120 6,   Jun.   2008.   [4]     Andrea s  Gobel,  “ MuTeBe nch:   Turni ng  OLTP - Benc h  int o  a  Multi - T ena n c y   Da ta base   Ben chma rk  Fram ework, ”     The  fi f th  In te rna ti onal  Con fe ren c e  on  C loud  Com puti ng,   GRIDs   a nd  Vi rtual izati on ,  pp .   84 - 47 ,   201 4   [5]     Li   hen g ,   Yang  dan,   and  Zh ang  xia ohong,   “ Surve y   on  m ult i - te n a nt  dat a  arc hi tect ure   for  sa as, ”   IJ CSI  Inte rnationa l   Journal  of   Computer  Sc ie nc e  Iss u es ,  v ol .   9 ,   issue   6,   no .   3 ,   Nov .   20 12.   [6]   C or - Paul  Beze m er,   And y   Zai dm an,   “ Multi - T ena nt  Sa aS  Applicati ons :  Ma i nte nan ce   Dre a m   or  Nightmare ? , ”  IWP SE - E VOL  '10:  Proce ed ings  of  the   Jo int   ERCIM  Workshop  on  Soft ware  Evol uti on  ( EV OL )   and  Inte rnation al  Workshop on  Pr inc iples of   Soft w are  Ev o lut ion   ( IWP SE) ,   pp.   88 - 9 2,   Sep .   2010 .   [7]   Archa na  Bhask ar  and   Rajee v   R anj an,   “ Opti m iz ed  m emory   m odel   fo r  hadoop  m ap  red uce   fra m ework,”     in  Int ernati onal   Journal  of   Elec t rical   and   Computer  Eng ine ering   ( IJE CE) ,  v ol.   9,   n o.   5 ,   pp .   4396 - 4407,   Oct .   201 9.   [8]   H.  Ballani,  P.   Costa,   T.  Kara g ia nnis,   and   A.  Rows tron,   “ Towa rds  pre dictab le   d at a ce n te r  n e tworks,”   in   AC M   SIGCO MM  Computer  Comm unication Re v ie w ,   pp .   242 – 253 ,   Aug.   2011 .   [9]   Toa n  Phan   Thanh,  Lo c  Ng u y en   The,  Said   E lna f far ,   Cuong   Nguy en   Doan,  Huu  Dang  Quoc,  “ An  Eff e ct iv e  PS O - inspire d  Alg ori t hm   for  W orkflow  Schedul ing,”   Inte rnationa l  J ournal  of  Elec tric al  and  Compu te r  Engi n ee ring   ( IJE CE) ,  v ol.   8,   n o.   5,   pp .   3852 - 3859,   Oct .   2018 .   [10]   B.   P.  Rim al   an d  M.  Maie r,   “ W orkflow  Schedul ing  in  Multi - Te nan t  Cloud  Com puti ng  Envi r onm ent s,”   in  IE EE  Tr ansacti ons on Paralle l   and  Dis tribut ed   Syste ms ,   vol .   28 ,   no .   1 ,   p p.   290 - 304 ,   Jan .   2017.   [11]   F.  S.  Hs ie h  and  J.  B.   Li n,   “ A  d y namic  sche m e  for  sche duli ng  co m ple x  ta sks   in  m anuf ac turi ng  s y stems   base d  on  col l abor ation  of   age nts, ”  in  App lied  Int el l ige n ce ,   vo l.   41 ,   no .   2 ,   pp .   366 – 382 ,   Sep .   2014.   [12]   J. - C.   L iou  and  M.  A.  Pa li s,   “ An  eff icien t  t ask  cl ust eri ng   h eu risti c   for  sch ed uli ng  DA Gs   on  m ult iprocess ors,”    in  Proc . ,   R esource   Manag eme nt ,   Symp.  o f   Parallel  and   Distrib.   P roce ss ing ,   pp .   1 52 – 156,   1996 .   [13]   R.   Bajaj  and   D.  P.  Agrawal ,   “ Im proving  sc hedul ing  of  ta s ks  in  a  hetero gene ous  envi ro nm ent , ”  in  IEEE   Tr ansacti o ns on Paralle l   and  Dis tribut ed   Syste ms ,   vol .   15 ,   no .   2 ,   p p.   107 - 118 ,   Feb .   2004.   [14]   H.  Topc uog lu,  S.  Hari r i,  M.  Y.   W u,   “ Perform anc e - eff ective  and   low - complexi t y   ta sk  sche du li ng  for  heteroge n eo u s   computing, ”   in   I EE E   Tr ansacti o ns on  Parallel   a nd  Distribute d   S yste ms ,   vo l .   13 ,   no.   3 ,   pp .   260 - 2 74,   Mar .   2002 .   [15]   H.  M.  Fard,   R .   Pro dan,   J.J. D.   Bar rionue vo,   and  T .   Fahringe r,  “ A  m ult i - objecti v e  a pproa ch  for  wor kflow  sche duli n g  in  heteroge n eou s  envi ronm ent s, ”  2012  12th   IE EE /A CM   Int ernati onal  S ymposium  on  Cluste r,   Cloud  a nd  Gr id   Computing  ( cc grid 2 012) ,   Ott awa ,   ON ,   pp .   300 - 30 9 ,   2012 .   [16]   D.  Shue,   M.  J.   Free dm an,   and  A.  Shaikh,  “ Perform anc e  isol ati on  and  f ai rn ess  for  m ult i - te n an t  c loud  storag e,”  OSD I'12:  Proce edi ngs  of  the   10th  USENIX  c onfe renc e  on  Operating  Syste m s  Design  and  I mpleme ntation ,    pp.   349 – 362 ,   Oc t.   2012 .   [17]   S.  Pande y ,   L.  W u,   S.  Guru,  and  R.   Bu yy a ,   “ A  pa rti cle  sw arm  optim iz at ion - b ase d  heur isti c  for  sch edul ing  workflo w  appl i ca t ions  in  cl oud  computing  envi ronm ent s,”   2010  24th  IEE E  Inte rnat ional   Confe ren ce   on  Adv anc e d   Information  Ne t working  and  Ap pli cations ,   Per th, WA ,   pp.   400 - 40 7,   2010 .   [18]   M.  A.  Rodrigu e z  and   R.   Bu yy a ,   “ Dea dli n e  b ase d  resourc e  pro visioni ngand  sc hedul ing  al gor ithm   for  scie nt ific   workflows   on  clouds , ”  in   IE EE  Tr ansacti ons on Cloud Computi n g ,   vol .   2 ,   no .   2 ,   p p.   222 - 235 ,   201 4.   [19]   Z.   W u,   X.  L iu,   Z .   Ni,   D.  Yuan ,   a nd  Y.  Yang,   “ A m ark et - orie n te d  hie rar chi c al   sch e duli ng  strateg y   i ncl oud  workflo w  s y stems , ”  The   Jo urnal  of  Sup erc o mputing ,   vo l. 63, no. 1, pp. 256 – 2 93,   Jan .   2013 .   [20]   H. M.  Fard,   R.   Prodan,   and  T.   Fahringe r,   “ A  trut hful  d y n amic  workflow  sche duli ng  m ec hani s m   for  co m m erc ia l  m ult ic loud  env i ronm ent s,”   in  IEE E  Tr ansactions   on  Parall el   and  Distribute d  Syste ms ,   vo l.   24,   no.   6 ,     pp.   1203 - 1212 ,   J un.   2013 .   Evaluation Warning : The document was created with Spire.PDF for Python.