常耀輝,　顧春華,　羅　飛,　李小可,　楊澤平

(1.華東理工大學信息科學與工程學院,上海 200237; 2.石河子大學信息科學與技術(shù)學院,新疆 石河子 832003)

?

IaaS云環(huán)境下一種能耗和資源損耗優(yōu)化的虛擬機放置策略

常耀輝1,2,顧春華1,羅飛1,李小可1,楊澤平1

(1.華東理工大學信息科學與工程學院,上海 200237; 2.石河子大學信息科學與技術(shù)學院,新疆 石河子 832003)

為了降低IaaS云中物理服務(wù)器的資源開銷和能耗,提出了一種資源損耗模型; 同時結(jié)合服務(wù)器能耗模型,提出了一種能耗和資源損耗優(yōu)化的虛擬機放置策略; 設(shè)計并實現(xiàn)了一種能耗有效且物理資源損耗優(yōu)化的多目標虛擬機放置算法。仿真實驗結(jié)果表明,該算法不僅能有效地降低物理服務(wù)器的能源消耗,同時能較好地控制物理資源損耗,從而實現(xiàn)節(jié)能減排,具有較強的理論和現(xiàn)實意義。

云計算; 虛擬機放置; 能源消耗; 資源損耗; 多目標優(yōu)化

云計算對計算能力的需求加速了數(shù)據(jù)中心的飛速發(fā)展,隨之帶來的是數(shù)據(jù)中心產(chǎn)生的巨大能耗問題[1]。據(jù)亞馬遜估算,數(shù)據(jù)中心的能耗成本占整個數(shù)據(jù)中心預(yù)算金額的42%[2]。云計算環(huán)境下用戶任務(wù)隨機性的特點,使得數(shù)據(jù)中心物理服務(wù)器的任務(wù)負載是動態(tài)變化的,當服務(wù)器處于空閑狀態(tài)時,其功率達到峰值功率的50%～60%[3-4],因此云服務(wù)提供商(Cloud Service Provider,CSP)在保證服務(wù)質(zhì)量(Quality of Service,QoS)的同時,如何進行能耗優(yōu)化是一個現(xiàn)實的研究問題。

虛擬化的云數(shù)據(jù)中心能夠?qū)⒎植荚诓煌瑓^(qū)域的服務(wù)器、計算集群、存儲設(shè)備、網(wǎng)絡(luò)設(shè)施、軟件系統(tǒng)等各種形式的軟硬件資源進行整合,形成邏輯上統(tǒng)一的虛擬資源池(如VCPU、內(nèi)存、網(wǎng)絡(luò)、存儲等)并對外提供服務(wù),以實現(xiàn)硬件資源整合和復用。在虛擬化的IaaS云,允許一臺物理服務(wù)器上同時運行多臺虛擬服務(wù)器,這有利于提高物理資源利用率并降低能源消耗。IaaS云數(shù)據(jù)中心能耗的優(yōu)化關(guān)鍵從軟件和硬件兩個方面考慮[5]:硬件方面,主要通過CPU電壓和頻率的動態(tài)調(diào)整(Dynamic Voltage/Frequency Scaling,DVFS)使得其在性能和能耗之間達到平衡,但是沒有考慮電壓狀態(tài)頻繁切換帶來的時間消耗,可能造成大規(guī)模計算集群的節(jié)能需求無法滿足[6]; 軟件方面,IaaS云服務(wù)供應(yīng)商在滿足服務(wù)水平協(xié)議(Service Level Agreement,SLA)情況下,通過云資源調(diào)度器(Cloud Resource Scheduler)優(yōu)化虛擬機放置(Virtual Machine Placement,VMP),減少同時開啟的物理服務(wù)器數(shù)量以實現(xiàn)資源優(yōu)化。IaaS云資源調(diào)度器將大量可并行化的用戶任務(wù)請求轉(zhuǎn)化為若干規(guī)格的虛擬機請求,按照約定的資源分配(Resource Allocation)策略分配到相應(yīng)的物理服務(wù)器上,根據(jù)任務(wù)數(shù)量、時間特性、資源自身屬性等完成“虛擬機VM-物理機PM”的資源匹配,以達到最小化能耗以及資源利用率最大化的目的,這是一個多目標優(yōu)化(Multi-objective Optimization,MO)問題。

本文的多目標優(yōu)化基于兩個目標:一是降低數(shù)據(jù)中心物理服務(wù)器能耗以節(jié)省數(shù)據(jù)中心的運營成本,進而實現(xiàn)綠色計算,達到節(jié)能減排的目的; 二是最小化物理服務(wù)器的資源損耗以提高數(shù)據(jù)中心的資源利用率。

1　相關(guān)工作

許多學者將虛擬機放置問題[7-8]抽象為裝箱(Bin Packing,BP)問題。裝箱問題已被證明是NP-Hard問題[9],其研究重點是尋求近似算法,它不保證每個實例的最佳解決方案,而是試圖找到一個近似最優(yōu)解。BP將用戶的虛擬機轉(zhuǎn)化為若干規(guī)格的物品(Items),將服務(wù)器的物理資源(包括CPU、內(nèi)存、磁盤和網(wǎng)絡(luò)帶寬等)轉(zhuǎn)為若干規(guī)格的箱子(Bins),服務(wù)器資源的使用閾值構(gòu)成箱子容量(Bin Capacity),服務(wù)器資源的種類數(shù)即向量裝箱問題的維度。VMP問題是將N臺虛擬機如何部署到M臺服務(wù)器上,其解空間大小為MN,這是一個類似裝箱問題[10],但不完全相同。

虛擬機放置研究[11-20]中往往涉及能耗優(yōu)化、網(wǎng)絡(luò)流量最小化、資源利用率最大化,或者是最大化負載以尋求經(jīng)濟效益最大化等,其中能耗優(yōu)化是虛擬化的云數(shù)據(jù)中心的一個研究熱點。文獻[12]對比了8種最小化能源消耗的啟發(fā)式優(yōu)化算法,對不同場景的算法應(yīng)用進行了對比分析,但其僅考慮能耗的影響,并沒有考慮物理節(jié)點的資源損耗。Beloglazov等[13]基于BFD算法提出了MBFD(Modified Best Fit Decrease)算法進行虛擬機放置。文獻[5]通過目標函數(shù)值的計算選擇最優(yōu)宿主機,但沒有考慮資源利用率的問題。實際上,數(shù)據(jù)中心物理服務(wù)器的CPU、內(nèi)存、帶寬、磁盤等物理資源的綜合使用情況對系統(tǒng)亦有重要影響。

針對虛擬機放置問題,研究者大多釆用啟發(fā)式算法(Heuristic Algorithm,HA)[11-14]或進化算法 (Evolutionary Algorithm,EA)[15-20]進行求解。傳統(tǒng)的解決方法是基于貪心策略(Greedy strategy)的啟發(fā)式算法,經(jīng)典的啟發(fā)式算法有首次適應(yīng)(First Fit,FF)、最佳適應(yīng)(Best Fit,BF)、降序首次適應(yīng)(First Fit Decreasing,FFD)、降序最佳適應(yīng)(Best Fit Decreasing,BFD)、最差適應(yīng)(Worst Fit Decreasing,WFD)等。進化算法如遺傳算法(GA)[16]、蟻群優(yōu)化算法(ACO)[17-18]、粒子群優(yōu)化算法(PSO)[19]、生物地理優(yōu)化算法(BBO)[20]等都被應(yīng)用于虛擬機放置優(yōu)化問題。

求解多目標優(yōu)化問題,雖然大多數(shù)進化算法可以做到全局優(yōu)化,但是其算法復雜度較高,往往需要進行多次迭代,加之參數(shù)眾多,不能快速有效地進行參數(shù)調(diào)優(yōu)。傳統(tǒng)的解決方法通常采用啟發(fā)式算法,大多基于貪心算法進行搜索,使用較少的信息量,算法實現(xiàn)簡單,往往能夠快速得到近似最優(yōu)解。

綜上所述,虛擬機放置問題不僅需要考慮物理服務(wù)器能耗的影響,而且需要從多維度考慮物理服務(wù)器的資源使用狀況。本文嘗試綜合考慮能耗和各個維度的資源損耗,采用啟發(fā)式算法來解決虛擬機放置問題。

2　問題描述

2.1概述

云數(shù)據(jù)中心虛擬化的本質(zhì)就是將數(shù)據(jù)中心的資源(計算、存儲和網(wǎng)絡(luò))進行抽象和顆?；?按需分配和管理[21]。虛擬化的數(shù)據(jù)中心的資源管理主要處理兩種類型的資源映射[22]:一類是工作負載和資源需求的映射,另一類是虛擬資源和物理資源的映射。第1類主要指云應(yīng)用服務(wù)與虛擬機之間的映射,通過匹配不同規(guī)格的虛擬機套餐完成用戶資源的抽象分配; 第2類是將申請的虛擬機套餐實例化,將其映射到物理服務(wù)器,最終完成物理資源的分配。圖1示出了虛擬機(VMs)與物理機(PMs)的映射關(guān)系。

圖1　虛擬機與物理機映射關(guān)系示意圖Fig.1　Mapping between virtual machines and physical machines

一般而言,云平臺提供的虛擬機規(guī)格是確定且有限的。IaaS云用戶任務(wù)的請求隨機性、獨立性、相似性和多樣性的特點,決定了不同用戶任務(wù)對資源的需求特征不同。云平臺提供多種不同類型的虛擬機套餐(Flavor)供用戶選擇,用戶根據(jù)CPU、內(nèi)存、存儲等參數(shù)以及任務(wù)特點選擇相應(yīng)類型的虛擬機。虛擬機放置問題簡要描述如下:

(1)N個虛擬機請求。這些虛擬機請求以若干種規(guī)格的虛擬機套餐Flavor來體現(xiàn),主要資源需求包含CPU、內(nèi)存(Memory)、硬盤、網(wǎng)絡(luò)帶寬(Band width)等。

(2)M個物理服務(wù)器。物理資源主要包括CPU、內(nèi)存、硬盤、網(wǎng)絡(luò)帶寬等。

(3) 尋求一種虛擬機到物理機的映射,同時滿足:物理資源約束,即每一臺物理服務(wù)器的每一維度的資源總量能夠滿足放置到該服務(wù)器上的虛擬機的資源需求;目標約束,即為了使得放置達到某種目的而滿足的約束條件,如能耗最低、負載平衡、資源損耗最小等。

虛擬機規(guī)格通常涉及CPU、內(nèi)存、硬盤、網(wǎng)絡(luò)帶寬等多維資源,IaaS云平臺中為了保證數(shù)據(jù)的完整性,往往采用集中式存儲策略,比如使用磁盤陣列RAID將硬盤資源進行統(tǒng)一存儲。而每一臺物理節(jié)點的CPU、內(nèi)存和網(wǎng)絡(luò)帶寬則是獨立的,因此本文假定所有物理節(jié)點的硬盤資源遠遠大于虛擬機的硬盤資源需求,即本文所述的資源模型中均不涉及硬盤資源維度,虛擬機規(guī)格定義為CPU、內(nèi)存、網(wǎng)絡(luò)帶寬三維因素。

圖2為虛擬機裝箱問題示意圖。圖中主機PM在分配VM1和VM2之后的剩余資源量僅為如圖所示的Residual capacity部分,這與BP問題不同。3個維度中資源利用率差異越大,服務(wù)器物理資源的總體利用率水平越低。

圖2　虛擬機裝箱問題示意圖Fig.2　VM packing problem

2.2資源損耗模型

不同的虛擬機放置策略,會導致每個物理主機上剩余的資源不盡相同。因此任何放置策略為虛擬機選擇宿主位置時,都需要關(guān)注剩余資源量能否滿足虛擬機的資源需求。文獻[23]引入公式(1)來衡量物理服務(wù)器的綜合利用率:

(1)

其中,ur代表服務(wù)器資源r的利用率。VOL值越大,表明服務(wù)器的綜合利用率越高,在虛擬機放置的過程中總是選擇VOL最低的作為宿主機。假設(shè)只考慮物理服務(wù)器的CPU、內(nèi)存共兩個維度的資源,參考如下標準化后的服務(wù)器各個維度利用率場景:

服務(wù)器1uCPU=0.7,uMEM=0.3

服務(wù)器2uCPU=0.3,uMEM=0.7

由式(1)得,VOL1=VOL2。針對虛擬機資源請求向量Q=<0.2,0.4>,如果僅僅根據(jù)VOL來選擇宿主機,則隨機選擇其一即可。事實上,僅有服務(wù)器1能滿足,因為若選擇服務(wù)器2,將導致內(nèi)存利用率達到0.7+0.4=1.1>1,產(chǎn)生過載。

文獻[24]采用公式(2)來衡量物理服務(wù)器的資源平衡:

(2)

(3)

其中:Rc和Rm、Uc和Um分別表示物理主機的CPU和內(nèi)存的剩余率和利用率;ε為一個很小的正實數(shù)(比如,ε=0.000 01)。在上述場景中,依據(jù)式(3)資源損耗的定義同樣無法正確選擇宿主機。因為由式(3)可得服務(wù)器1和服務(wù)器2的資源損耗分別為

綜上所述,上述資源模型都存在一定缺陷,其根本原因是資源利用率數(shù)值本身的無序性,導致不同維度資源利用率的組合出現(xiàn)相同的計算結(jié)果。實際上,對于某一類型的虛擬機來說,服務(wù)器1和服務(wù)器2作為宿主機的概率并不相等。除此之外,不同類型的虛擬機在不同維度的資源需求的期望程度存在差異,本文定義資源期望對資源剩余率相同的情形進行區(qū)分。

(4)

(5)

(6)

其中at表示不同維度上的利用率的權(quán)重,用于區(qū)分不同應(yīng)用之間對物理服務(wù)器各個維度的資源的側(cè)重程度,可以根據(jù)云平臺中虛擬機類型的具體情況設(shè)定at的值。本文CPU、內(nèi)存和帶寬的權(quán)重分別設(shè)置為0.6、0.3、0.1。

定義3資源損耗W。定義物理服務(wù)器的資源損耗為資源相對剩余和資源利用期望的乘積,形式化表示為

W=Rrs·Exp

(7)

將式(5)和式(6)代入式(7)可得

(8)

對于由多臺物理服務(wù)器組成的服務(wù)器集群,則總的資源損耗可表示為W=∑Wj。考慮r個維度的物理服務(wù)器資源,為了使得物理集群資源損耗最小,可得目標函數(shù)

(9)

約束條件:

(10)

(11)

2.3能耗模型

一般而言,云數(shù)據(jù)中心的能耗E主要由服務(wù)器集群能耗Ecluster、網(wǎng)絡(luò)設(shè)備能耗Enet、以及制冷空調(diào)、照明等輔助設(shè)備能耗Eother構(gòu)成,即E=Ecluster+Enet+Eother。

網(wǎng)絡(luò)設(shè)備能耗Enet主要包含交換機或路由器的能耗、數(shù)據(jù)線路(光纖或網(wǎng)線)的能耗,這兩部分與設(shè)備中是否有數(shù)據(jù)傳輸關(guān)系不大,可用功率Pnet與時間T的乘積來計算。輔助設(shè)備能耗Eother主要集中在空調(diào)、照明系統(tǒng)、不間斷電源UPS等,近似認為附屬設(shè)備的消耗Pother與工作時間T成正比。設(shè)集群中服務(wù)器數(shù)量為K,第i臺服務(wù)器的功率為Pi,則在[0,T]時間內(nèi)數(shù)據(jù)中心的能耗為

由于云計算任務(wù)的隨機性的特點,使得各個服務(wù)器的利用率水平不盡相同,服務(wù)器CPU的利用率越高,能耗越高。因此,要想降低整個數(shù)據(jù)中心的能耗,關(guān)鍵是降低服務(wù)器集群的總功率。為了便于討論,本文主要考慮物理服務(wù)器集群的能耗,將其作為整個數(shù)據(jù)中心能耗優(yōu)化的目標。相關(guān)文獻研究[26-29]指出,物理服務(wù)器的能耗主要由CPU產(chǎn)生,且和CPU主頻成近似線性關(guān)系。文獻[30]長達3個月的物理服務(wù)器能耗監(jiān)控實驗結(jié)果顯示,服務(wù)器能耗和CPU利用率相關(guān)系數(shù)達到0.990 667。

Buyya等[31]發(fā)現(xiàn),服務(wù)器CPU處于空閑(idle)狀態(tài)下消耗的電力接近CPU滿負荷狀態(tài)運轉(zhuǎn)時耗能的70%。因此,如果服務(wù)器上沒有部署虛擬機,則可以將其置于關(guān)閉狀態(tài),以降低能耗。考慮物理服務(wù)器的負載狀態(tài),定義集群中的第j臺服務(wù)器的功率模型如下:

(12)

由于式中為具體的功率值,為便于計算,采用式(13)對其進行量綱為一處理:

(13)

則規(guī)范化后的能耗優(yōu)化目標為

(14)

約束條件:

(15)

(16)

(17)

(18)

(19)

(20)

(21)

2.4目標模型

將含有n個虛擬機V={V1,V2,…,Vn},放置到m個物理主機H={H1,H2,…,Hm}上,可形式化描述為f:V→H,考慮兩個優(yōu)化目標,一是使得服務(wù)器集群的能耗最小,二是使得整體的資源損耗最小,則虛擬機放置的目標規(guī)劃模型可表示為

其中min=

(22)

min

(23)

多目標優(yōu)化模型的求解較為復雜,為便于采用啟發(fā)式算法快速求解,本文采用線性加權(quán)和法將多目標轉(zhuǎn)化為單目標優(yōu)化問題進行求解。為便于在兩個優(yōu)化目標之間取得平衡,引入能耗權(quán)重α(0<α<1),能耗權(quán)重值可依據(jù)實際的服務(wù)器集群情況,視能耗目標的重要程度進行設(shè)定,本文中α=0.8。加權(quán)處理后的優(yōu)化目標為

(24)

代入化簡可得

(25)

約束條件:

(26)

(27)

(28)

(29)

(30)

3　ECRWM算法

ECRWM算法首先將物理主機根據(jù)可用資源進行降序排列,基于貪心算法的思想,針對虛擬機請求列表VMList中的每個創(chuàng)建虛擬機的請求,在能夠提供服務(wù)的物理主機列表PMList中搜索能耗增量Δ和資源損耗增量Δ綜合評定得分最低的物理主機作為最佳宿主機。

對于VMList中的某個VM創(chuàng)建請求,算法首先過濾掉不能滿足當前VM創(chuàng)建請求的物理主機; 其次將可用的物理主機按照剩余資源大小降序排列,得到物理主機列表PMList; 然后從PMList中分別計算能耗增量Δ和資源損耗增量Δ,選擇目標函數(shù)值增量最小的物理主機作為宿主機,將添加到結(jié)果集合MapSet。將物理主機降序排列的時間復雜度為O(mlog2m),執(zhí)行階段的時間復雜度為O(nm),因此,算法總的時間復雜度為O(nm+mlog2m)。

算法1能耗感知和資源損耗優(yōu)化的虛擬機放置算法ECRWM

Input:Requested VMList,available physical host list PMList,weight factor,resource parametera1,a2,a3

Output:The destinations of VMs(MapSet)

(1) Sort PMList in decrease order by available resources

(2) Initialize the collection MapSet to empty set

(3) Fori=1 to |VMList| do

(4) minF=MAX

(5) flag=|PMList|.min

(6) Forj=1 to |PMList| do

(7) If VMican be placed on PMjthen

(8) Calculate the power consumption incrementΔ

(9) Calculate the resource wastage incrementΔ

(10) Fj← Δ* α+Δ*(1- α)

(11) If minF

(12) minF=Fj

(13) flag=j

(14) EndIf

(15) EndIf

(16) EndFor

(17) If minF< > MAX then

(18) Place VMito PMjwith the least incrementFvalue minF

(19) Else

(20) Place VMito the first PM in PMList

(21) EndIf

(22) Sort PMList in decrease order

(23) Add assignment to MapSet

(24) EndFor

(25) Return MapSet

4　仿真實驗與分析

4.1實驗環(huán)境及參數(shù)設(shè)置

云仿真平臺CloudSim允許對虛擬化云環(huán)境進行建模,支持按需進行資源提供和管理。本文采用CloudSim對ECRWM算法進行仿真實驗。實驗環(huán)境配置:操作系統(tǒng)為Windows10;JDK版本為jdk1.8.0_51,64bit; 編程工具為EclipseSDK4.5.0,CloudSim版本為3.0.3; 編譯工具Ant版本為Ant1.8.1。

為了實現(xiàn)ECRWM算法,對CloudSim源代碼進行了擴展,主要工作包括:編寫VMAllocationPolicyECRWM繼承類,對Host類擴展,使得能夠通過函數(shù)調(diào)用對Host進行資源開銷估計。對DatacenterBroker進行擴展,改寫processVmCreate(SimEventev) 方法使其能夠?qū)Y(jié)果進行保存。編寫ProcessLog類用來處理放置結(jié)果,便于對結(jié)果進行統(tǒng)計。在VMAllocationPolicyECRWM類中綜合分析資源開銷、能耗等,選取最佳物理服務(wù)器作為VM的宿主機。

仿真實驗?zāi)M了一個數(shù)據(jù)中心,包括30臺異構(gòu)物理主機,物理主機的規(guī)格如表1所示。在OpenStack提供的IaaS環(huán)境中,每臺物理節(jié)點的CPU計算能力,按照CPU實際的核心(Core)數(shù)量,放大至16倍為虛擬機提供計算能力; 內(nèi)存按照實際內(nèi)存大小的1.5倍進行標準化。基于此,本文中物理節(jié)點的CPU和內(nèi)存都是標準化后能夠提供的VCPU的數(shù)量和內(nèi)存大小。

表1　物理主機規(guī)格

物理主機的能耗參數(shù)參考SPEC對各廠家服務(wù)器的性能/能耗測試結(jié)果,設(shè)定3種規(guī)格的服務(wù)器能耗參數(shù)如表2所示。其中參數(shù)MaxPower為CPU利用率穩(wěn)定在100%時的功率值; ActiveIdle為CPU利用率為0時的功率值; 參數(shù)Ratio為ActiveIdle和MaxPower的比值,本文統(tǒng)一設(shè)置為0.7。實驗中虛擬機類型包含Tiny、Small、Middle、Large、XLarge等5種規(guī)格,每種類型的資源需求如表3所示。

表2　物理主機能耗參數(shù)

表3　虛擬機規(guī)格

為真實模擬IaaS云環(huán)境中的虛擬機請求,實驗中采用隨機的方法產(chǎn)生指定類型和數(shù)量的虛擬機,虛擬機類型的數(shù)量服從正態(tài)分布。同時將隨機結(jié)果保存下來,以供后續(xù)各個算法進行測試,以保證實驗的公平性。

4.2實驗結(jié)果與分析

為了驗證ECRWM算法的有效性,本文選取CloudSim默認的先來先服務(wù)FCFS算法、Open-Stack默認的最大剩余內(nèi)存優(yōu)先算法MR-Mem、隨機算法Random以及最先適應(yīng)算法FirstFit等4種算法作為參照進行仿真實驗,實驗結(jié)果如圖3～圖7所示。

5種算法的性能評價標準為:相同數(shù)量虛擬機負載情況下,不同算法的服務(wù)器能耗比較、資源損耗比較、物理資源平均利用率比較。

圖3示出了相同虛擬機負載情況下,各個算法的能耗開銷。其中FCFS算法、Random算法、MR-Mem算法能耗值較高,FirstFit算法次之,ECRWM算法能耗最小?？梢钥闯?在相同虛擬機負載情況下,盡管FirstFit算法和ECRWM算法能耗增長趨勢相近,但ECRWM的能耗比FirstFit低5.24%～28.99%,平均能耗低15.75%。

圖3　不同算法能耗對比Fig.3　Comparison of energy consumption with different algorithms

圖4、圖5分別示出了不同算法的資源損耗和物理資源利用率情況。圖5中資源平均利用率為服務(wù)器的CPU、Memory、Bandwidth 3種資源的平均利用率的算術(shù)均值。結(jié)果顯示,在5種算法中ECRWM資源損耗最小,同時物理資源的平均利用率最高。在相同負載情況下,ECRWM的資源損耗僅為FirstFit的7.57%～79.58%,平均情況下為37.27%; 與此同時,資源利用率提高58.13%～7.03%,平均情況下為23.77%。

圖6示出了數(shù)據(jù)中心負載為600個虛擬機時,物理服務(wù)器的CPU、內(nèi)存和帶寬的平均利用率狀況。其中MEAN代表CPU、Memory、Bandwidth等3種資源利用率的算術(shù)均值。值得注意的是,FirstFit的網(wǎng)絡(luò)帶寬利用率高于ECRWM,究其原因在于二者啟用的物理主機的數(shù)量不同(見圖7)。

圖7示出了5種算法啟用的物理服務(wù)器的數(shù)量對比。從圖可看出,相同負載情況下,ECRWM算法啟用的服務(wù)器數(shù)量與FirstFit算法相比,二者相等或多1臺,這直接導致了帶寬的平均利用率低于FirstFit算法。盡管如此,ECRWM算法的能耗和資源損耗都低于FirstFit(見圖3～圖4),這充分證明了算法在降低能耗和資源損耗方面的有效性。

圖4　不同算法資源損耗對比Fig.4　Comparison of resource wastage with different algorithms

圖5　不同算法物理資源平均利用率對比Fig.5　Comparison of PMs Utilization ratios with different algorithms

圖6　服務(wù)器物理資源利用率對比Fig.6　Comparison of average utilization ratio of servers with different algorithms

5　結(jié)束語

本文以異構(gòu)的IaaS云數(shù)據(jù)中心為背景,針對虛擬機放置問題,從資源損耗和服務(wù)器能耗兩個角度對目標進行建模。以數(shù)據(jù)中心中物理服務(wù)器節(jié)點的資源損耗為切入點,通過建立資源損耗模型來統(tǒng)籌考慮不同維度的資源對數(shù)據(jù)中心資源利用率的影響; 同時建立數(shù)據(jù)中心能耗模型,分析數(shù)據(jù)中心的能耗開支,給出了多目標規(guī)劃優(yōu)化模型,提出了一種能耗感知和資源損耗優(yōu)化的多目標虛擬機放置策略,實現(xiàn)了基于該策略的ECRWM算法,在CloudSim云仿真平臺進行了實驗驗證,并結(jié)合4種算法進行對比分析,結(jié)果展示了ECRWM算法的有效性。

圖7　不同算法啟用的物理主機數(shù)量Fig.7　Comparison of numbers of PMs enabled with different algorithms

[1]羅亮,吳文峻,張飛.面向云計算數(shù)據(jù)中心的能耗建模方法[J].軟件學報,2014,25(7):1371-1387.

[2]HAMILTON J.Cooperative expendable micro-slice servers (CEMS):Low cost,low power servers for internet-scale services[C]//Proceedings of 4th Biennial Conference on Innovative Date Systems Research,CIDR.Asilomar,California,USA:[s.n.].2009:4-7.

[3]KANSAL A,ZHAO Feng.Fine-grained energy profiling for power-aware application design[J].ACM SIGMETRICS Performance Evaluation Review,2008,36(2):26-31.

[4]BARROSO L A,H?LZLE U.The case for energy-proportional computing[J].Computer,2007,40(12):33-37.

[5]黃海峰,宋愛波,樊維,等.數(shù)據(jù)中心多目標虛擬機管理研究[J].華中科技大學學報(自然科學版),2015,43(5):56-62.

[6]CHASE J S,ANDERSON D C,THAKAR P N,etal.Managing energy and server resources in hosting centers[J].ACM SIGOPS Operating Systems Review,2001,35(5):103-116.

[7]李銘夫,畢經(jīng)平,李忠誠.資源調(diào)度等待開銷感知的虛擬機整合[J].軟件學報,2014,25(7):1388-1402.

[8]胡元元,林滸,李鴻彬.IaaS 云中最小遷移代價的虛擬機放置算法[J].小型微型計算機系統(tǒng),2014,35(4):878-882.

[9]DOSA G,TUZA Z,YE D.Bin packing with ‘Largest In Bottom’ constraint:Tighter bounds and generalizations[J].Journal of Combinatorial Optimization,2013,26(3):416-436.

[10]李強,郝沁汾,肖利民,等.云計算中虛擬機放置的自適應(yīng)管理與多目標優(yōu)化[J].計算機學報,2011,34(12):2253-2264.

[11]MENG Xiaoqiao,PAPPAS V,ZHANG Li.Improving the scalability of data center networks with traffic-aware virtual machine placement[C]//INFOCOM,2010 Proceedings IEEE.San Diego: IEEE,2010:1-9.

[12]LINDBERG P,LEINGANG J,LYSAKER D,etal.Comparison and analysis of eight scheduling heuristics for the optimization of energy consumption and makespan in large-scale distributed systems[J].Journal of Supercomputing,2012,59(1):323-360.

[13]BELOGLAZOV A,ABAWAJY J,BUYYA R.Energy-aware resource allocation heuristics for efficient management of data centers for cloud computing[J].Future Generation Computer Systems,2012,28(5):755-768.

[14]LI Bo,LI Jianxin,HUAI Jinpeng,etal.Enacloud:An energy-saving application live placement approach for cloud computing environments[C]//IEEE International Conference on Cloud Computing.Bangalore,India:IEEE,2009:17-24.

[15]XU Jing,FORTES J A B.Multi-objective virtual machine placement in virtualized data center environments[C]//Green Computing and Communications (GreenCom),2010.IEEE/ACM Int'l Conference on & Int'l Conference on Cyber,Physical and Social Computing (CPSCom).USA: IEEE,2010:179-188.

[16]李進超,陳靜怡,吳杰,等.基于改進分組遺傳算法的虛擬機放置研究[J].計算機工程與設(shè)計,2012,33(5):2053-2056.

[17]GAO Y,GUAN H,QI Z,etal.A multi-objective ant colony system algorithm for virtual machine placement in cloud computing[J].Journal of Computer and System Sciences,2013,79(8):1230-1242.

[18]趙君,馬中,劉馳,等.一種多目標蟻群優(yōu)化的虛擬機放置算法[J].西安電子科技大學學報,2015,42(3):173-178.

[19]豆育升,崔晟圓,唐紅,等.云數(shù)據(jù)中心高能效的虛擬機放置算法[J].小型微型計算機系統(tǒng),2014,35(11):2543-2547.

[20]ZHENG Qinghua,LI Rui,LI Xiuqi,etal.Virtual machine consolidated placement based on multi-objective biogeo-graphy-based optimization[J].Future Generation Computer Systems,2015,54(C):95-122.

[21]夏迎春.數(shù)據(jù)中心網(wǎng)絡(luò)虛擬化技術(shù)及演進[EB/OL].[2015-9-24].http://www.zte.com.cn/cndata/magazine/zte_technologies/2014/2014_11/magazine/201411/t20141112_428977.html.

[22]魏亮,黃韜,陳建亞,等.基于工作負載預(yù)測的虛擬機整合算法[J].電子與信息學報,2013,35(6):1271-1276.

[23]WOOD T,SHENOY P J,VENKATARAMANI A,etal.Black-box and gray-box strategies for virtual machine migration[C]//4th USENIX Symposium on Networked Systems Design & Implementation.Berkeley,USA:ACM,2007:17.

[24]馬飛.云數(shù)據(jù)中心中虛擬機放置和實時遷移研究[D].北京:北京交通大學,2013.

[25]GARG S K,VERSTEEG S,BUYYA R.A framework for ranking of cloud computing services[J].Future Generation Computer Systems,2013,29(4):1012-1023.

[26]FAN Xiaobo,WEBER W,BARROSO L.Power provisioning for a warehouse-sized computer[C]//Proceedings of the 34th Annual International Symposium on Computer Architecture.San Diego,California,USA:DBLP,2007:13-23.

[27]GAO Yongqiang,GUAN Haibing,QI Zhengwei,etal.A multi-objective ant colony system algorithm for virtual machine placement in cloud computing[J].Journal of Computer and System Sciences,2013,79(8):1230-1242.

[28]NATHUJI R,SCHWAN K.Virtual power:Coordinated power management in virtualized enterprise systems[C]//Proceedings of the 21st ACM Symposium on Operating Systems Principles 2007,SOSP 2007.Stevenson,Washington,USA:ACM,2007:265-278.

[29]NATHUJI R,SCHWAN K,SOMANIA,etal.VPM tokens:Virtual machine-aware power budgeting in datacenters[J].Cluster computing,2009,12(2):189-203.

[30]ZHENG Qinghua,LI Rui,LI Xiuqi,etal.A multi-objective biogeography-based optimization for virtual machine placement[C]//2015 15th IEEE/ACM International Symposium on Cluster,Cloud and Grid Computing (CCGrid).USA:IEEE,2015:687-696.

[31]BUYYA R,BELOGLAZOV A,ABAWAJY J.Energy-efficient management of data center resources for cloud computing:A vision,architectural elements,and open challenges[J].Eprint Arxiv,2010,12(4):6-17.

An Energy-Efficient and Resource Utility Optimization Strategy for Virtual Machine Placement in IaaS Cloud

CHANG Yao-hui1,2,GU Chun-hua1,LUO Fei1,LI Xiao-ke1,YANG Ze-ping1

(1.School of Information Science and Engineering,East China University of Science and Technology,Shanghai 200237,China; 2.College of Information Science and Technology,Shihezi University,Shihezi 832003,Xinjiang,China)

In order to reduce the power consumption and server physical resources astage in IaaS,a resource wastage model is established.By incorporating energy consumption model of servers,a virtual machine placement strategy is proposed for optimizing the consumption of resource and energy.Moreover,this paper designs and implements a multi-objective virtual machine placement algorithm to achieve the energy efficiency and optimization of physical resource.Finally,it is shown from simulation results that the proposed algorithm not only effectively reduces the energy consumption of server cluster but also improves the utilization ratio of server physical resource simultaneously.

cloud computing; virtual machine placement; energy consumption; resource wastage; multi-objective optimization

1006-3080(2016)04-0563-09

10.14135/j.cnki.1006-3080.2016.04.019

2015-10-27

國家自然科學基金面上項目(61472139)

常耀輝(1981-),男,河北定州人,講師,博士生,主要從事云計算、數(shù)據(jù)挖掘方面研究。E-mail:pkucyh@qq.com

通信聯(lián)系人：顧春華,E-mail:chgu@ecust.edu.cn

TP39

A