李爽 ?k??

摘要：云計(jì)算是大量的虛擬化的計(jì)算機(jī)資源的服務(wù)節(jié)點(diǎn)，如何管理基于節(jié)能型和服務(wù)型的動(dòng)態(tài)可擴(kuò)展資源已成為一個(gè)重要的問題。針對(duì)這一目的，綜合大量前期工作，提出了一種改進(jìn)的遺傳算法，并構(gòu)造系統(tǒng)模型，通過使用CloudSim（云計(jì)算仿真軟件）和CloudAnalyst（云分析軟件）進(jìn)行定性和定量的數(shù)據(jù)分析。同時(shí)也與傳統(tǒng)的動(dòng)態(tài)電壓和頻率縮放 （DVFS） 做了比較，通過數(shù)據(jù)驗(yàn)證證明出利用服務(wù)質(zhì)量感知對(duì)虛擬機(jī)的節(jié)能管理在響應(yīng)時(shí)間、能源消耗、虛擬機(jī)遷移數(shù)量及合并適應(yīng)性方面都起到改進(jìn)作用。表現(xiàn)為在相同功率條件下，新方法能降低用戶請(qǐng)求的響應(yīng)時(shí)間，進(jìn)而提高了用戶的服務(wù)質(zhì)量；在相同的響應(yīng)時(shí)間內(nèi)，新方法又能有效的降低能量功耗。這些改進(jìn)都能提高用戶對(duì)服務(wù)質(zhì)量的滿意度，同時(shí)也為未來使用并行計(jì)算技術(shù)打下了基礎(chǔ)。

關(guān)鍵詞：云計(jì)算； 負(fù)載平衡； 節(jié)能感知；資源分配；CloudSim；CloudAnalyst

中圖分類號(hào)：TP39文獻(xiàn)標(biāo)識(shí)碼：ADOI：10.3969/j.issn.10036199.2017.01.031

1簡(jiǎn)介

云計(jì)算的發(fā)展基于面向服務(wù)的體系結(jié)構(gòu)、 網(wǎng)格計(jì)算、 并行計(jì)算和分布式計(jì)算等，這是一個(gè)新的脫穎而出的模式，是以高效的為用戶提供服務(wù)為前提的模式[1]。由于它的如基礎(chǔ)設(shè)施服務(wù) ，平臺(tái)即服務(wù)和軟件即服務(wù)的卓越性能，云計(jì)算被人們廣泛的接受并使用。通過不斷提高了用戶的使用效率，同時(shí)向不同的消費(fèi)層次提供各項(xiàng)服務(wù)，云計(jì)算環(huán)境已經(jīng)成為數(shù)據(jù)中心的主要力量。

云計(jì)算中降低數(shù)據(jù)中心的能源消耗是一個(gè)具有挑戰(zhàn)性且復(fù)雜的問題，這需要性能卓越的服務(wù)器。節(jié)約能源對(duì)于確保未來云計(jì)算是可一種持續(xù)的資源是相當(dāng)必要的[2]。近些年綠色計(jì)算的宣傳提出解決這一問題的很多辦法，其中許多工作基于功率效率（電源效率）展開，如節(jié)能處理器，硬件支持DVFS技術(shù)等，也有其他方法來降低虛擬數(shù)據(jù)中心的能源消耗[3]。通過虛擬化技術(shù)可實(shí)現(xiàn)軟件應(yīng)用與底層硬件相隔離，它包括將單個(gè)資源劃分成多個(gè)虛擬資源的裂分模式，也包括將多個(gè)資源整合成一個(gè)虛擬資源的聚合模式[4]。當(dāng)虛擬機(jī)上運(yùn)行的移動(dòng)信息從一個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)到另一個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)時(shí)，需要應(yīng)用虛擬機(jī)的快速遷移技術(shù)來平衡工作所產(chǎn)生的負(fù)載。

虛擬機(jī)管理是提高云計(jì)算數(shù)據(jù)中心效率的關(guān)鍵問題。許多研究工作都圍繞這個(gè)問題展開，不同的資源分配策略會(huì)導(dǎo)致不同的成本和效率水平[5]。因此，如何找到一個(gè)高效的資源分配策略，特別是針對(duì)有限的能源的分配，同時(shí)消耗較低的能源消耗，這是一項(xiàng)艱巨的任務(wù)。

這篇文章當(dāng)中，我們提出了一種改進(jìn)的遺傳算法，該算法重點(diǎn)研究考慮網(wǎng)絡(luò)延遲和能源消耗的動(dòng)態(tài)資源管理。我們認(rèn)為在云計(jì)算環(huán)境中的用戶的服務(wù)質(zhì)量是非常重要的，因此應(yīng)答時(shí)間也是這個(gè)實(shí)驗(yàn)的關(guān)鍵點(diǎn)。這篇論文的貢獻(xiàn)在于以下倆點(diǎn)：第一，在相同功率條件下，我們的方法降低了用戶請(qǐng)求的響應(yīng)時(shí)間，提高了用戶的服務(wù)質(zhì)量；第二，在相同的響應(yīng)時(shí)間內(nèi)，我們的方法又能有效的降低能量功耗。

計(jì)算技術(shù)與自動(dòng)化2017年3月

第36卷第1期李爽：基于云計(jì)算服務(wù)質(zhì)量感知的虛擬機(jī)節(jié)能管理研究

2研究背景和相關(guān)工作

在云計(jì)算中，能量感知一直是研究的一個(gè)重點(diǎn)內(nèi)容。近期的研究方式是通過關(guān)閉不活躍的服務(wù)器來達(dá)到節(jié)約能源的作用。文獻(xiàn)[6]定義了一個(gè)高效節(jié)能云計(jì)算解決方案的體系結(jié)構(gòu)框架和原則，然后又介紹了高效節(jié)能管理的虛擬機(jī)分配算法。王曉瑩等[7]提出的資源分配和使用可變時(shí)工作負(fù)載和異構(gòu)多級(jí)應(yīng)用的能源管理的自適應(yīng)模型方法。根據(jù)文獻(xiàn)[8]的論述，該作者使用新的自適應(yīng)粒子游動(dòng)來優(yōu)化的虛擬機(jī)配置，以使空閑服務(wù)器的處于省電狀態(tài)。

很多工作圍繞負(fù)載平衡結(jié)合若干的途徑能解決節(jié)約能源的問題。前人通過使用關(guān)閉計(jì)算機(jī)電源的方法并不能起到根本的作用，且此種做法只能在理論層面實(shí)現(xiàn)。在文獻(xiàn)[11]中，作者建議使用局部?jī)?yōu)化的隨機(jī)爬山算法來動(dòng)態(tài)分配進(jìn)入服務(wù)器和虛擬機(jī)的工作。文獻(xiàn)[12]解決了在云計(jì)算環(huán)境下基于使用映射-規(guī)約編程模型的資源管理問題。趙劍鋒等人的論文[8]將資源調(diào)度模型轉(zhuǎn)化為具有負(fù)載均衡目標(biāo)的有向化多背包問題。文獻(xiàn)[14]提出了一種資源調(diào)度模型，它使用的概念資源服務(wù)比率作為目標(biāo)函數(shù)，而不是任務(wù)完成時(shí)間，然后采用分布估計(jì)算法（EDA）做了驗(yàn)證。研究者通過大量的實(shí)驗(yàn)證明了他們提出的調(diào)度模型比EDA的資源服務(wù)比率算法的效率平均提高了至少1.004，最多1.793倍。

3利用改進(jìn)遺傳算法的資源配置

為了節(jié)約能源和提升用戶的響應(yīng)時(shí)間，在這部分中，我們首先描述一個(gè)系統(tǒng)的模型，然后我們介紹能源損耗的定義，最后，我們提出一種采用改進(jìn)能量功率的遺傳算法的優(yōu)化算法。

3.1系統(tǒng)模型

本文定義的系統(tǒng)模型與以往有倆種不同：首先，不同于大多數(shù)的節(jié)能系統(tǒng)如在文獻(xiàn)[6][7]中提到的，注重考慮CPU和RAM的負(fù)載平衡，本文著重從用戶方面考慮網(wǎng)絡(luò)延遲和應(yīng)答時(shí)間；第二，云計(jì)算可以跨越不同的地理數(shù)據(jù)中心，所以與文獻(xiàn)[10]認(rèn)為數(shù)據(jù)中心是一個(gè)單一的物理位置不同，我們假設(shè)數(shù)據(jù)中心分布在多個(gè)地區(qū)。

在本文的系統(tǒng)模塊中，數(shù)據(jù)中心層是由不同地區(qū)的物理網(wǎng)絡(luò)連接的，如圖1。每一個(gè)地區(qū)的數(shù)據(jù)中心一般是由N臺(tái)如計(jì)算機(jī)、服務(wù)器這樣的等獨(dú)立機(jī)器組成的節(jié)點(diǎn)集，這些個(gè)獨(dú)立的機(jī)器集合被描繪成集合 P= {pm1， pm2， … ， pmN}。這些節(jié)點(diǎn)集的通訊是通過全互聯(lián)通訊子系統(tǒng)（如圖1）連接的。節(jié)點(diǎn)集中每一臺(tái)節(jié)點(diǎn)機(jī)器都是獨(dú)立的，可以單獨(dú)的打開或關(guān)閉。在每一臺(tái)機(jī)器上，都安裝了基于內(nèi)核的虛擬機(jī)虛擬化軟件，可以運(yùn)行N個(gè)獨(dú)立的虛擬機(jī)管理程序集，這個(gè)集合被表示為集合V= {vm1， vm2， …， vmM}。在這個(gè)模型中，個(gè)人機(jī)上面運(yùn)行的虛擬機(jī)管理系統(tǒng)可以被終止、重啟、或從其他個(gè)人機(jī)集合中遷移。如圖1中的虛線所示，就像在許多系統(tǒng)中，當(dāng)執(zhí)行一個(gè)接收資源的任務(wù)時(shí)，消息可以從一臺(tái)機(jī)器傳播到另一臺(tái)機(jī)器。當(dāng)虛擬機(jī)管理集向其他地區(qū)移動(dòng)的時(shí)候，我們的模型需要考慮延遲時(shí)間。

4實(shí)驗(yàn)結(jié)論

在這部分中，我們以云分析（cloudAnalyst）基準(zhǔn)的評(píng)估價(jià)值來測(cè)量相應(yīng)時(shí)間和能量消耗。

4.1實(shí)驗(yàn)環(huán)境和設(shè)置

考慮到CloudSim和CloudAnalyst是在公開資源已被廣泛的使用開放源碼，我們選擇它們作為基準(zhǔn)來仿真實(shí)際執(zhí)行的情況。CloudSim [12]支持新興的云計(jì)算領(lǐng)域的研究和開發(fā)，并提供了以下新的特點(diǎn)：（1）支持大規(guī)模的云計(jì)算基礎(chǔ)設(shè)施的建模和仿真，包括一個(gè)單一的物理計(jì)算節(jié)點(diǎn)上的數(shù)據(jù)中心；（2）它是一個(gè)用于數(shù)據(jù)中心建模，代理服務(wù)器，調(diào)度和分配政策的獨(dú)立平臺(tái)。CloudSim眾多的特性中有如下倆點(diǎn)是本次實(shí)驗(yàn)的基本點(diǎn)：（a）有助于創(chuàng)建和管理多個(gè)、獨(dú)立的和共同托管的虛擬化服務(wù)在數(shù)據(jù)中心節(jié)點(diǎn)上的虛擬化引擎的可用性。（b）在處理內(nèi)核的空間共享和時(shí)間共享分配之間切換到虛擬化服務(wù)的靈活性。CloudAnalyst[13] 是墨爾本大學(xué)開發(fā)的研究項(xiàng)目，目的是根據(jù)用戶和數(shù)據(jù)中心的地理分布，去評(píng)估社交網(wǎng)絡(luò)工具的支持率。在這個(gè)項(xiàng)目中，用戶群和支持社交網(wǎng)絡(luò)的數(shù)據(jù)中心都是有一定特點(diǎn)的，那就是都基于他們的位置；而用戶體驗(yàn)的參數(shù)，是可以通過使用社會(huì)網(wǎng)絡(luò)應(yīng)用程序和數(shù)據(jù)中心的負(fù)載來獲得的記錄[14]。

在這個(gè)實(shí)驗(yàn)中，我們?cè)O(shè)置了六組用戶基數(shù)（如表1）。其中“Name”列代表世界六大洲，在不同地區(qū)每組用戶都是包含在同一個(gè)時(shí)區(qū)，而且每一分鐘都會(huì)發(fā)出新的請(qǐng)求。峰值的時(shí)間從3到9。這里假定為十分之一的時(shí)間是在非繁忙時(shí)間的線路上。每個(gè)模擬數(shù)據(jù)中心的主機(jī)由5臺(tái)虛擬機(jī)機(jī)構(gòu)成，配置了512M的內(nèi)存，10G存儲(chǔ)和1000兆的帶寬。

4.2實(shí)驗(yàn)結(jié)果與分析

如4.1部分中提到的場(chǎng)景和配置，我們的模擬實(shí)驗(yàn)從兩個(gè)方面著手：第一、我們證明了網(wǎng)絡(luò)延遲影響用戶的響應(yīng)時(shí)間。第二、我們的算法與DVFS[15，16]從相應(yīng)時(shí)間，能量消耗，虛擬機(jī)集的數(shù)量和合并適應(yīng)性方面進(jìn)行比較

為了在用戶響應(yīng)時(shí)間方面提高服務(wù)質(zhì)量，我們分三種情況監(jiān)測(cè)：首先，我們使用一個(gè)0區(qū)域的數(shù)據(jù)中心DC1，我們得到的結(jié)果總體平均響應(yīng)時(shí)間是292.05毫秒，數(shù)據(jù)中心處理時(shí)間是0.28毫秒。第二，我們使用區(qū)域0、1、2的三個(gè)數(shù)據(jù)中心作為用戶基數(shù)區(qū)域，結(jié)果如圖3（a）所示。最后，我們?cè)诿總€(gè)區(qū)域都部署一個(gè)數(shù)據(jù)中心，結(jié)果如圖3（b）所示。通過這個(gè)實(shí)驗(yàn)，我們可以得出結(jié)論：

（1）當(dāng)數(shù)據(jù)中心虛擬資源的數(shù)量減少時(shí)，響應(yīng)時(shí)間可以大大減少；同時(shí)，處理器處理任務(wù)的時(shí)間不會(huì)節(jié)省很多。

（2）能源消耗與任務(wù)完成時(shí)間不成比例。根據(jù)以往的經(jīng)驗(yàn)，我們假設(shè)一個(gè)毫秒的能量消耗是k，那么平均的能源消耗應(yīng)該是292.05k < 158.72k*3 （圖3a） >50.08k*6 （圖3b）。

圖3（a）使用三組數(shù)據(jù)中心

圖3 （b）使用六組數(shù)據(jù)中心

圖3實(shí)驗(yàn)結(jié)論對(duì)比圖

本文算法與DVFS算法的比較，如圖4所示，a圖是響應(yīng)時(shí)間，b圖是能量的消耗，c圖是虛擬機(jī)遷移的數(shù)量，d 是合并適應(yīng)性。我們模擬實(shí)驗(yàn)的結(jié)果比其他兩種方法節(jié)約了更多的能量，尤其體現(xiàn)在：

（1）通過圖4（a）中所示，第1組和第2組測(cè)試，我們的算法與DVFS幾乎有相同的響應(yīng)時(shí)間，主要原因是因?yàn)樵陂_始的虛擬機(jī)集中的數(shù)據(jù)量比較少；在第3組和第4組數(shù)據(jù)中，我們的算法的響應(yīng)時(shí)間高于DVFS；在接下來的實(shí)驗(yàn)中，我們的算法比DVFS慢了一些，主要是因?yàn)樘摂M機(jī)集在不同地區(qū)遷移，而DVFS并沒有考慮這個(gè)因素的影響，所以當(dāng)小云朵的數(shù)量增加到2000的時(shí)候，DVFS算法的響應(yīng)時(shí)間下降了。

（2）通過圖4（b）的表示可知，我們的算法比DVFS節(jié)約更多的能源，當(dāng)虛擬機(jī)集的數(shù)量比較大的情況下，我們的算法優(yōu)勢(shì)明顯。

（3）通過圖4（c）中描述，我們的算法數(shù)據(jù)遷移的數(shù)量更少。

（4）通過圖4（d）中的結(jié)果表明，在合并適應(yīng)性方面，我們的算法勝過DVFS算法。

（a） 響應(yīng)時(shí)間

（b）能量消耗

（c）虛擬機(jī)遷移數(shù)量

（d）合并適應(yīng)性

圖4本文算法 與DVFS算法比較圖

5結(jié)論和展望

在這篇論文中，提出一種在云環(huán)境下優(yōu)化分配動(dòng)態(tài)資源的方法。主要工作集中于在云計(jì)算中的能量和響應(yīng)時(shí)間，在CloudSim應(yīng)用和CloudAnalyst基準(zhǔn)的幫助下，我們證明了該算法的優(yōu)勢(shì)所在。根據(jù)我們的實(shí)驗(yàn)數(shù)據(jù)，我們的實(shí)驗(yàn)有倆點(diǎn)優(yōu)勢(shì)：它在減少數(shù)據(jù)中心的能源消耗以及給云計(jì)算提高綠色平臺(tái)方面起到了重要作用，第二，我們使用負(fù)載平衡改進(jìn)了響應(yīng)時(shí)間。這個(gè)工作也主要考察了能量消耗和響應(yīng)時(shí)間，我們未來的工作主要將在研究性能集成其他參數(shù)，如CPU、內(nèi)存和網(wǎng)絡(luò)。此外，未來我們將使用并行計(jì)算技術(shù)改進(jìn)我們的方法。

參考文獻(xiàn)

[1]李小六，虛擬化云計(jì)算數(shù)據(jù)中心能量感知資源分配機(jī)制[J]，計(jì)算機(jī)應(yīng)用，2013，33（ 12），86-90 .

[2]王金海，一種基于能量感知的云計(jì)算環(huán)境下虛擬機(jī)部署策略[J]，新疆職業(yè)大學(xué)學(xué)報(bào)，2014，22（1），73-76.

[3]英昌甜，云計(jì)算環(huán)境下能量感知的任務(wù)調(diào)度算法[J]，微電子學(xué)與計(jì)算機(jī)，2012，29（5），188-192.

[4]鐘瀟柔，基于動(dòng)態(tài)遺傳算法的云計(jì)算任務(wù)節(jié)能調(diào)度策略研究[D]，哈爾濱工業(yè)大學(xué)，2015.

[5]侯偉，云計(jì)算中基于遺傳算法的能效管理研究[D]，武漢理工大學(xué)，2013.

[6]BELOGLAZOV A，ABAWAJY J，BUYYA R.Energyaware resource allocation heuristics for efficient management of data centers for Cloud computing[J].Future Generation Computer Systems， Volume2012，28：758-760.

[7]WANG Xiaoying DU Zhihui，CHEN YiNong .An adaptive modelfree resource and power management approach for multitier cloud environments[J].Journal of Systems and Software，2012，85：163-168.

[8]JEYARANI R，NAGAVENI N，VASANTH R R，Design and implementation of adaptive power-aware virtual machine provisioner （APA-VMP） using swarm intelligence[J].Future Generation Computer Systems， Volume，2012，28：811-821.

[9]SHARIFI M，SALIMI H，NAJAFZADEH M.Powerefficient distributed scheduling of virtual machines using workload-aware consolidation techniques[J].Journal of Supercomputing，2012，1（61）：46-66.

[10]MONDAL B，DASGUPTA K，DUTTA P.Load balancing in cloud computing using stochastic hill climbing-a soft computing approach[J].Procedia Technology，2012， （4）：785-786.

[11]HUANG Chennjung，GUAN Chihtai.An adaptive resource management scheme in cloud computing[J].Engineering Applications of Artificial Intelligence，2013， 26（1）：382-389.

[12]WANG Rui，BAI Qinghua，BAI Youjia，et al.Research on Semantic Metadata Model for Information Resource Management under Cloud Computing Environment[J].JCIT： Journal of Convergence Information Technology，2012，7（21）：658-661.

[13]CHEN Danwei，ZHANG Ji，XUE Qinghan.Virtual Resources Scheduling Model for Cloud Computing[J].JCIT： Journal of Convergence Information Technology，2012，7（23）：658-661.

[14]ZHAO Jianfeng，ZENG Wenhua，LIU Miu，et al.A model of Virtual Resource Scheduling in Cloud Computing and Its Solution using EDAS[J].JDCTA： Journal of Convergence Information Technology，2012，6（4）：105-107.

[15]The CloudSim Team， http：//www.cloudbus.org/cloudsim[DB/OL].2009.

[16]葉可江，吳朝輝，姜曉紅，等， 虛擬化云計(jì)算平臺(tái)的耗能管理[J].計(jì)算機(jī)學(xué)報(bào)，2016，（6）：1264-1279.