Implementasi Auto-Scaling Virtual Machine menggunakan Metode Threshold-Based

Abstrak

Virtualisasi merupakan teknik dalam mengabstraksi perangkat keras komputer di mana mesin virtual dibuat seolah-olah berperilaku seperti komputer nyata dengan seperangkat sistem operasi. Dalam penerapan virtualisasi melalui hypervisor terdapat kondisi yang menyebabkan sumber daya mesin virtual kekurangan ataupun kelebihan kapasitas berbanding dengan beban kerja yang diterimanya. Kondisi tersebut menyebabkan terganggunya ketersediaan fungsionalitas layanan. Penskalaan otomatis adalah salah satu teknik yang sangat penting untuk menjaga ketersediaan sekaligus sebagai solusi penggunaan sumber daya yang optimal. Threshold-based merupakan teknik penskalaan otomatis yang sangat populer di antara penyedia cloud seperti Amazon EC2, dan alat pihak ketiga seperti RightScale. Kesederhanaan dan sifat intuitif dari kebijakan ini membuatnya sangat menarik bagi klien cloud. Penelitian yang dilakukan ini membahas tentang implementasi penskalaan otomatis mesin virtual menggunakan metode threshold-based dengan utilisasi CPU sebagai metrik yang dievaluasi. Simulasi dalam menjalankan mesin virtual dilakukan menggunakan QEMU/KVM sebagai hypervisor. Pembuatan mesin virtual dilakukan menggunakan metode cloud-init untuk membuat blueprint pada instance dengan mengeksekusi perintah pemasangan web server dan metrics agent saat proses pembuatan berlangsung. Skenario pengujian dilakukan dengan mengubah jumlah instance yang diskalakan dalam satu kali scale out yaitu, 1, 2, dan 3 instance dengan parameter pengujian meliputi provision time dan downtime. Hasil pada pengujian provision time menunjukkan bahwa semakin banyak instance yang dijalankan oleh hypervisor, nilai provision time semakin tinggi, yang menunjukkan bahwa sistem operasi cukup sibuk dalam menangani operasi yang dijalankan oleh cloud-init walau cooldown period telah diaktifkan per penskalaan. Pada pengujian ini tidak terdapat perubahan hasil yang signifikan pada ketiga skenario. Hasil pada pengujian downtime adalah 0% untuk ketiga skenario. Hasil pada pengujian downtime menunjukkan bahwa cooldown period yang diterapkan pada metode threshold-based berhasil mencegah kondisi osilasi sehingga tidak ada degradasi performansi yang sampai menyebabkan downtime pada saat proses penskalaan berlangsung.