李雙俐，李志華，2*，喻新榮，閆成雨

(1.江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院，江蘇無錫214122; 2.物聯(lián)網(wǎng)應(yīng)用技術(shù)教育部工程研究中心(江南大學(xué))，江蘇無錫214122)(*通信作者電子郵箱lily_lshl@163.com)

0 引言

近年來伴隨著企業(yè)計(jì)算的爆炸性增長，用戶對(duì)云計(jì)算的需求也不斷上升。傳統(tǒng)的資源分配方式使得數(shù)據(jù)中心常處于高負(fù)載、高成本的運(yùn)營狀況［1］，因此，許多云服務(wù)提供商開始采用虛擬化技術(shù)為用戶分配資源。虛擬化技術(shù)使得數(shù)據(jù)中心能夠快速地進(jìn)行資源分配，增加了數(shù)據(jù)中心的靈活性。然而，數(shù)據(jù)中心的資源管理也因此變得更加復(fù)雜，如何制定虛擬機(jī)的調(diào)度策略變成了合理分配數(shù)據(jù)中心資源的關(guān)鍵問題之一。

高效的虛擬機(jī)整合策略能合理地分配資源、降低數(shù)據(jù)中心能耗、提高服務(wù)質(zhì)量(Quality of Service，QoS)。已有的一些虛擬機(jī)整合方法［2－4］為了提高資源利用率和降低數(shù)據(jù)中心能耗，通過將低負(fù)載物理主機(jī)上的虛擬機(jī)整合到其他物理主機(jī)并關(guān)閉這些空閑物理主機(jī)的方式達(dá)到降低能耗的目的;但是，過度的虛擬機(jī)整合在應(yīng)對(duì)數(shù)據(jù)中心負(fù)載突然增加時(shí)，需要額外消耗一定的時(shí)間開啟休眠物理主機(jī)［2］，此時(shí)，并不能確保服務(wù)提供商與用戶簽訂的服務(wù)等級(jí)協(xié)議(Service Level Agreement，SLA)，從而進(jìn)一步影響數(shù)據(jù)中心的服務(wù)質(zhì)量。

由于虛擬機(jī)整合是一個(gè)系統(tǒng)性的問題，文獻(xiàn)［4］將虛擬機(jī)整合問題分成物理主機(jī)過載檢測、虛擬機(jī)選擇、虛擬機(jī)放置和物理主機(jī)收縮四個(gè)階段。虛擬機(jī)整合時(shí)，首先通過物理主機(jī)過載檢測得到過載物理主機(jī)集合;然后，針對(duì)過載物理主機(jī)進(jìn)行虛擬機(jī)選擇，并將這些虛擬機(jī)遷出以緩解物理主機(jī)的過載風(fēng)險(xiǎn)，遷出的虛擬機(jī)需要重新放置在合適的目標(biāo)物理主機(jī)上，繼續(xù)提供計(jì)算服務(wù);最后，對(duì)數(shù)據(jù)中心中的低負(fù)載物理主機(jī)進(jìn)行關(guān)閉，從而達(dá)到降低數(shù)據(jù)中心能耗的目的。

虛擬機(jī)整合問題目前已得到了廣泛研究，各種算法相繼被提出［4－9］。文獻(xiàn)［4］在物理主機(jī)過載檢測方面給出了中位數(shù)絕對(duì)偏差(Median Absolute Deviation，MAD)算法、四分位距(InterQuartile Range，IQR)算法、局部回歸(Local Regression，LR)算法;在物理主機(jī)選擇方面給出了最小遷移時(shí)間(Minimum Migration Time，MMT)算法、最大相關(guān)度(Maximum Correlation，MC)算法和隨機(jī)選擇(Random Selection，RS)算法。近年來，一些以降低能耗為目標(biāo)的算法［5－6］被提出。文獻(xiàn)［5］通過對(duì) CPU 能耗模型的分析，建立了一個(gè)能耗最優(yōu)的混合整數(shù)規(guī)劃模型，并據(jù)此提出了一種虛擬機(jī)放置方法。文獻(xiàn)［6］介紹了一種基于時(shí)間序列預(yù)測和啟發(fā)式裝箱的動(dòng)態(tài)虛擬機(jī)整合算法，通過啟發(fā)式裝箱算法最大限度地減少所需物理主機(jī)數(shù)量，降低了數(shù)據(jù)中心能耗。然而，上述算法對(duì)服務(wù)質(zhì)量及資源利用率的關(guān)注不足。文獻(xiàn)［7］根據(jù)負(fù)載變化情況提出了一種彈性資源預(yù)測方法，利用輕量級(jí)信號(hào)處理和統(tǒng)計(jì)學(xué)算法實(shí)現(xiàn)資源請(qǐng)求的動(dòng)態(tài)預(yù)測，但未給出具體的整合策略。文獻(xiàn)［8］提出了一種虛擬機(jī)負(fù)載負(fù)相關(guān)的虛擬機(jī)選擇算法。該算法首先將虛擬機(jī)根據(jù)負(fù)載變化負(fù)相關(guān)的原則進(jìn)行配對(duì)，然后將配對(duì)的兩臺(tái)虛擬機(jī)放置在同一臺(tái)物理主機(jī)上。該算法有利于穩(wěn)定物理主機(jī)的工作負(fù)載，但缺乏對(duì)虛擬機(jī)間關(guān)聯(lián)性的考慮。文獻(xiàn)［9］在文獻(xiàn)［8］的基礎(chǔ)上增加了虛擬機(jī)配對(duì)迭代次數(shù)，但同樣利用兩臺(tái)虛擬機(jī)配對(duì)，忽略了虛擬機(jī)整體間的關(guān)聯(lián)。文獻(xiàn)［7－9］的實(shí)驗(yàn)結(jié)果表明基于負(fù)載的虛擬機(jī)整合算法給數(shù)據(jù)中心帶來了積極的影響。

針對(duì)目前虛擬機(jī)整合存在的缺乏對(duì)負(fù)載穩(wěn)定性分析的問題，本文通過分析虛擬機(jī)資源請(qǐng)求與物理主機(jī)工作負(fù)載之間的關(guān)系，確定物理主機(jī)剩余資源對(duì)虛擬機(jī)的滿足程度，擬合得到虛擬機(jī)與物理主機(jī)之間的匹配度。利用匹配度進(jìn)行虛擬機(jī)整合能夠穩(wěn)定物理主機(jī)負(fù)載，達(dá)到提高服務(wù)質(zhì)量、降低能耗的雙重目的。

1 工作負(fù)載與虛擬機(jī)遷移

1.1 負(fù)載分析

通常數(shù)據(jù)中心為了降低能源消耗，在資源分配時(shí)希望能夠充分利用每臺(tái)物理主機(jī)的資源，從而避免低利用率造成的資源浪費(fèi)。然而，虛擬機(jī)對(duì)資源的請(qǐng)求過程是隨機(jī)的，對(duì)于處于高負(fù)載狀態(tài)的物理主機(jī)，一旦虛擬機(jī)請(qǐng)求的資源超過了物理主機(jī)的可用資源總和就會(huì)發(fā)生過載，從而違背云服務(wù)提供者與用戶簽訂的服務(wù)水平協(xié)議，造成服務(wù)質(zhì)量下降。為了提升服務(wù)質(zhì)量，我們傾向于為物理主機(jī)預(yù)留充足的資源以避免過載，但過多的預(yù)留資源又會(huì)造成資源浪費(fèi)，增加能源消耗。本文利用物理主機(jī)工作負(fù)載和虛擬機(jī)資源請(qǐng)求的變化特征進(jìn)行虛擬機(jī)整合，以期達(dá)到提高云服務(wù)質(zhì)量的同時(shí)能夠充分利用物理主機(jī)資源的目的。

在實(shí)際情況中物理主機(jī)負(fù)載呈多峰分布，圖1(a)記錄了數(shù)據(jù)中心其中一臺(tái)物理主機(jī)一天內(nèi)的CPU負(fù)載變化情況;為了更清楚地看到其負(fù)載變化，圖1(b)選取該主機(jī)在第215～234次整合周期期間的CPU負(fù)載變化。由圖1可知，物理主機(jī)的負(fù)載變化具有隨機(jī)性。

對(duì)于處在活動(dòng)狀態(tài)的物理主機(jī)，如果運(yùn)行在其上的虛擬機(jī)在某一時(shí)段資源請(qǐng)求較高，那么此時(shí)物理主機(jī)的負(fù)載將出現(xiàn)局部峰值;而如果運(yùn)行在其上的虛擬機(jī)在某一時(shí)段資源請(qǐng)求較低，那么物理主機(jī)的負(fù)載將出現(xiàn)局部谷值。如圖1(b)所示，為了避免主機(jī)過載情況的發(fā)生，物理主機(jī)應(yīng)為波峰時(shí)段預(yù)留足夠的資源，然而，這些預(yù)留資源在波谷時(shí)段的閑置又造成了資源的浪費(fèi)，這顯然是矛盾的。因此，穩(wěn)定物理主機(jī)的負(fù)載，有效避免物理主機(jī)負(fù)載出現(xiàn)較大的波動(dòng)，從而減少資源的預(yù)留量，這不僅能夠提高物理主機(jī)資源利用率，同時(shí)也降低了由于物理主機(jī)負(fù)載不確定性造成的主機(jī)過載風(fēng)險(xiǎn)。

圖1 單個(gè)物理主機(jī)CPU負(fù)載變化Fig.1 Workload changing of single physical host CPU

1.2 虛擬機(jī)遷移

根據(jù)工作負(fù)載的特性，在虛擬機(jī)遷移過程中如果能夠保持物理主機(jī)工作負(fù)載的穩(wěn)定，避免物理主機(jī)工作負(fù)載出現(xiàn)明顯的波動(dòng)，那么就能減小物理主機(jī)的過載風(fēng)險(xiǎn)，并且增加物理主機(jī)的資源利用率。

為了穩(wěn)定物理主機(jī)負(fù)載，在虛擬機(jī)從過載物理主機(jī)上遷出時(shí)，應(yīng)該選擇與物理主機(jī)匹配度低的虛擬機(jī)，即被選擇的虛擬機(jī)的資源請(qǐng)求與物理主機(jī)負(fù)載在同一時(shí)段出現(xiàn)峰值。根據(jù)此規(guī)則對(duì)遷移虛擬機(jī)進(jìn)行選擇，選擇的虛擬機(jī)遷出后，能降低物理主機(jī)在負(fù)載峰值時(shí)的過載風(fēng)險(xiǎn)。在放置虛擬機(jī)到目標(biāo)物理主機(jī)上時(shí)，虛擬機(jī)與物理主機(jī)的負(fù)載應(yīng)該呈現(xiàn)高匹配度，即當(dāng)物理主機(jī)負(fù)載處于高峰值時(shí)虛擬機(jī)對(duì)資源的請(qǐng)求量應(yīng)處于低谷，避免由于虛擬機(jī)的放置使物理主機(jī)負(fù)載出現(xiàn)突然變化。保證放置的虛擬機(jī)在各個(gè)時(shí)刻都能充分地利用物理主機(jī)剩余預(yù)留資源，并且能夠穩(wěn)定物理主機(jī)負(fù)載，避免由于負(fù)載出現(xiàn)較大波動(dòng)而導(dǎo)致物理主機(jī)發(fā)生新的過載。

本文所提出的算法利用虛擬機(jī)資源請(qǐng)求擬合物理主機(jī)工作負(fù)載，并通過擬合得到的虛擬機(jī)與物理主機(jī)的負(fù)載匹配度進(jìn)行虛擬機(jī)遷移。在保證物理主機(jī)資源充分利用的同時(shí)降低其過載概率，提高服務(wù)質(zhì)量。

2 基于負(fù)載不確定性的虛擬機(jī)整合方法

2.1 虛擬機(jī)與物理主機(jī)匹配度估算

為了清楚地描述擬合過程，首先對(duì)數(shù)據(jù)中心的各項(xiàng)資源進(jìn)行抽象。vmlist代表虛擬機(jī)集合。向量corhj=［…，，…，］T代表各虛擬機(jī)與物理主機(jī)hj的負(fù)載匹配度。向量b= ［b1，b2，…，bi，…，bt］T代表物理主機(jī)hj的CPU剩余可用資源的歷史記錄，其中，bi代表hj在i時(shí)刻的CPU剩余可用資源。A= ［vm1，vm2，…，vmi，…，vmm］代表虛擬機(jī)請(qǐng)求資源的歷史記錄矩陣，其中列向量vmi代表虛擬機(jī)vmi對(duì)CPU資源請(qǐng)求的歷史記錄。

為了量化物理主機(jī)負(fù)載的情況，定義函數(shù) g(vmlist，hj，corhj)，如式(1)所示:

式(1)表示，若將vmlist中的虛擬機(jī)按照匹配度向量corhj放置在物理主機(jī)hj上后，物理主機(jī)負(fù)載均衡的程度。物理主機(jī)負(fù)載越平穩(wěn)則函數(shù)g的值越小。當(dāng)函數(shù)g取得最小值時(shí)，可以得到虛擬機(jī)在物理主機(jī)hj上的一組最優(yōu)匹配向量corhj，如式(2)所示:

s.t.0 corhj1

根據(jù)式(1)及以上分析可知，求解式(2)可得到全部虛擬機(jī)對(duì)應(yīng)物理主機(jī)的匹配度corhj。將虛擬機(jī)按照匹配度降序排列的方式依次放置在物理主機(jī)hj上，直至剩余虛擬機(jī)都不能再放入hj為止。此時(shí)，可以得到使物理主機(jī)負(fù)載趨于平穩(wěn)的虛擬機(jī)整合方案。

圖2 sigmoid函數(shù)Fig.2 sigmoid function

sigmoid函數(shù)的圖形是“S”形的，它是嚴(yán)格遞增的函數(shù)，其中a是sigmoid函數(shù)的傾斜參數(shù)［10］。修改參數(shù)a就可以改變sigmoid函數(shù)的傾斜程度，變化趨勢如圖2所示。根據(jù)sigmoid函數(shù)的特性，本文中令= φ(vi)，則corhj可以表示為向量形式:corhj=［φ(v1)，φ(v2)，…，φ(vi)，…，φ(vm)］T。通過這樣的變換，式(2)轉(zhuǎn)化為式(4):

顯然，式(4)是一個(gè)無約束優(yōu)化問題。在此采用梯度下降法求解無約束優(yōu)化問題，利用負(fù)梯度作為搜索方向［11］，迭代公式如式(5)所示:

其中:s－(k)代表搜索的梯度負(fù)方向;ρk代表沿梯度方向上的搜索步長。對(duì)式(4)求導(dǎo)數(shù)可以得到函數(shù)g在v上的梯度公式。

根據(jù)導(dǎo)數(shù)與梯度的關(guān)系［11］，可求得函數(shù)g在v上的梯度，代表梯度向量s－(k)的一個(gè)分量，如式(6)所示:

至此，梯度下降法可求解式(4)所示的無約束優(yōu)化問題。利用梯度下降算法先求出向量v的值，然后根據(jù)式(3)計(jì)算可以得到虛擬機(jī)與物理主機(jī)負(fù)載匹配度向量corhj。利用梯度下降法求匹配度流程如圖3所示。

圖3 利用梯度下降法求匹配度流程Fig.3 Flow chart of gradient descent method for computing matching degree

2.2 物理主機(jī)過載檢測

隨著虛擬機(jī)資源請(qǐng)求的變化，物理主機(jī)工作負(fù)載也隨之改變。對(duì)于負(fù)載較高的物理主機(jī)，若虛擬機(jī)請(qǐng)求資源增加，那么將有可能出現(xiàn)虛擬機(jī)請(qǐng)求資源超過物理主機(jī)可用資源的情況，此時(shí)物理主機(jī)發(fā)生過載。對(duì)于每一臺(tái)物理主機(jī)，可以根據(jù)其負(fù)載情況計(jì)算該物理主機(jī)的過載概率，通過過載概率為物理主機(jī)選擇合適的過載閾值用于新一輪的虛擬機(jī)整合，并通過整合來動(dòng)態(tài)調(diào)整物理主機(jī)負(fù)載，提高服務(wù)質(zhì)量。過載概率與過載閾值的計(jì)算如式(7)、(8)所示。

本文將物理主機(jī)CPU利用率超過65%的概率作為物理主機(jī)的過載概率，如式(7)所示。當(dāng)物理主機(jī)CPU利用率超過65%時(shí)，認(rèn)為主機(jī)存在過載風(fēng)險(xiǎn)。在一個(gè)檢測周期內(nèi)物理主機(jī)CPU利用率超過65%的次數(shù)越多則該物理主機(jī)發(fā)生過載的風(fēng)險(xiǎn)越大。式(8)通過過載概率計(jì)算過載閾值。參數(shù)s控制過載概率對(duì)過載閾值的影響，s越大則過載概率對(duì)過載閾值的影響越大;s越小則過載概率對(duì)過載閾值的影響越小。當(dāng)物理主機(jī)過載概率較大時(shí)，降低其過載閾值從而降低物理主機(jī)的過載風(fēng)險(xiǎn);當(dāng)物理主機(jī)過載概率較小時(shí)，則該主機(jī)過載風(fēng)險(xiǎn)較小，將其過載閾值調(diào)高，以保證物理主機(jī)資源的充分利用。

根據(jù)以上分析，本文提出基于工作負(fù)載不確定性的過載概率估計(jì)(Workload Uncertainty-based Overload Probability Estimation，WUOPE)算法。在進(jìn)行過載檢測時(shí)，當(dāng)物理主機(jī)的CPU利用率ui大于過載閾值Tiu時(shí)，則判斷當(dāng)前物理主機(jī)hi過載。WUOPE算法偽代碼如下。

算法1 基于工作負(fù)載不確定性的過載概率估計(jì)(WUOPE)算法。

2.3 虛擬機(jī)選擇

當(dāng)虛擬機(jī)請(qǐng)求資源超過物理主機(jī)可用資源時(shí)，物理主機(jī)同樣會(huì)出現(xiàn)過載風(fēng)險(xiǎn)。為了保證云數(shù)據(jù)中心的服務(wù)質(zhì)量應(yīng)該將一部分虛擬機(jī)遷出過載主機(jī)以緩解過載風(fēng)險(xiǎn)。

遷出虛擬機(jī)的選擇應(yīng)遵循以下兩個(gè)原則:1)遷移后應(yīng)保持物理主機(jī)負(fù)載穩(wěn)定，避免由于遷移導(dǎo)致的物理主機(jī)負(fù)載不穩(wěn)定;2)最小化遷移時(shí)間，減少由于遷移帶來服務(wù)質(zhì)量下降的影響。通過利用虛擬機(jī)請(qǐng)求資源擬合物理主機(jī)剩余可用資源可以得到虛擬機(jī)與物理主機(jī)的負(fù)載匹配度。為了穩(wěn)定物理主機(jī)負(fù)載可以優(yōu)先遷移負(fù)載匹配度小的虛擬機(jī)，同時(shí)為了最小化遷移時(shí)間可以優(yōu)先遷移占用內(nèi)存小的虛擬機(jī)［12］。綜合考慮以上兩點(diǎn)，本文定義虛擬機(jī)在物理主機(jī)上遷移的優(yōu)先級(jí)priority_s，計(jì)算式如式(9)所示:

為了保持物理主機(jī)負(fù)載穩(wěn)定，本文提出了一種基于負(fù)載不確定性的最小遷移時(shí)間選擇 (Workload Uncertainty-based Minimum Migration Time Selection，WUMMT)算法。利用式(9)計(jì)算運(yùn)行在過載物理主機(jī)上的虛擬機(jī)的遷移優(yōu)先級(jí)，將虛擬機(jī)按照遷移優(yōu)先級(jí)降序排列，依次將優(yōu)先級(jí)高的虛擬機(jī)遷移出物理主機(jī)，直至物理主機(jī)的過載風(fēng)險(xiǎn)消除。WUMMT算法偽代碼如下。

算法2 基于負(fù)載不確定性的最小遷移時(shí)間選擇(WUMMT)算法。

2.4 虛擬機(jī)放置

對(duì)于因?yàn)槲锢碇鳈C(jī)過載和收縮而遷移的虛擬機(jī)必須為其尋找合適的目標(biāo)物理主機(jī)進(jìn)行放置。在虛擬機(jī)放置時(shí)首先要保證待放置物理主機(jī)有充足的資源，然后是確保放置虛擬機(jī)后目標(biāo)主機(jī)的工作負(fù)載穩(wěn)定性。

在選擇目標(biāo)物理主機(jī)時(shí)，應(yīng)該優(yōu)先選擇具有相對(duì)較高資源使用率的物理主機(jī)作為目標(biāo)主機(jī)，這樣更能充分利用物理主機(jī)的資源從而提高數(shù)據(jù)中心的資源利用率。通過式(10)計(jì)算出遷移虛擬機(jī)在目標(biāo)主機(jī)上的放置優(yōu)先級(jí):

結(jié)合虛擬機(jī)與物理主機(jī)負(fù)載匹配度和虛擬機(jī)資源請(qǐng)求情況，本文提出一種基于負(fù)載不確定性的FFD的放置(Workload Uncertainty-based FFD allocation，WUFFD)算法。首先在正常運(yùn)行的主機(jī)中挑選資源使用率較高的主機(jī)作為目標(biāo)物理主機(jī);然后計(jì)算虛擬機(jī)的放置優(yōu)先級(jí)，把高優(yōu)先級(jí)的虛擬機(jī)放置在目標(biāo)主機(jī)上，以此類推，直至遷移虛擬機(jī)放置完成或目標(biāo)主機(jī)不能再放入任何虛擬機(jī)為止。WUFFD算法偽代碼如下。

算法3 基于負(fù)載不確定性的優(yōu)先適應(yīng)下降的放置(WUFFD)算法。

2.5 虛擬機(jī)整合

虛擬機(jī)整合包括主機(jī)過載檢測、虛擬機(jī)選擇、虛擬機(jī)放置和物理主機(jī)收縮四個(gè)階段。本文提出一種基于負(fù)載不確定性的虛擬機(jī)整合(Workload Uncertainty-based Virtual Machine Consolidation，WU-VMC)方法。首先，WU-VMC方法利用WUOPE方法估算物理主機(jī)的過載閾值，判斷物理主機(jī)是否存在過載風(fēng)險(xiǎn);然后，使用WUMMT方法將存在過載風(fēng)險(xiǎn)的物理主機(jī)上的一部分虛擬機(jī)遷移出物理主機(jī)，從而降低物理主機(jī)的過載風(fēng)險(xiǎn);對(duì)于遷移出的虛擬機(jī)利用WUFFD方法選擇出合適的目標(biāo)主機(jī)進(jìn)行放置;最后，利用物理主機(jī)收縮方法降低能耗，將處于低使用率狀態(tài)的物理主機(jī)上的虛擬機(jī)全部遷出，并用WUFFD方法為其選擇合適的目標(biāo)主機(jī)進(jìn)行放置，利用循環(huán)檢測的方式每次選擇資源使用率最低或?yàn)椤?”的物理主機(jī)進(jìn)行收縮，關(guān)閉或休眠這些物理主機(jī)。WU-VMC算法偽代碼如下。

算法4 基于負(fù)載不確定性的虛擬機(jī)整合(WU-VMC)算法。

3 仿真實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)采用 Cloudsim［14］作為仿真平臺(tái)。Cloudsim是澳大利亞墨爾本大學(xué)的云計(jì)算與分布式系統(tǒng)實(shí)驗(yàn)室推出的開源云計(jì)算仿真軟件，可以支持大規(guī)模數(shù)據(jù)中心、云聯(lián)邦、用戶自定義資源管理策略等方面的仿真建模［15］。

本文通過Cloudsim平臺(tái)模擬一個(gè)擁有800臺(tái)物理主機(jī)的數(shù)據(jù)中心。這些主機(jī)根據(jù)資源配置的不同分為兩類:一類是HP ProLiant ML110 G4(Intel Xeon 3040 2 Cores 1 860 MHz，4 GB);另一類是 HP ProLiant ML110 G5(Intel Xeon 3075 2 Cores 2260 MHz，4 GB)。同時(shí)，模擬四種不同類型的虛擬機(jī):超強(qiáng) CPU配置的虛擬機(jī) High-CPU Medium Instance(2500 MIPS，0.85 GB)、超大型虛擬機(jī) Extra Large Instance(2000 MIPS，3.75 GB)、小 型 虛 擬 機(jī) Small Instance(1000 MIPS，1.7 GB)和微型虛擬機(jī) Micro Instance(500 MIPS，613 MB)［16］。實(shí)驗(yàn)所采用的工作數(shù)據(jù)來自文獻(xiàn)［12］，即PlantLab平臺(tái)在真實(shí)環(huán)境下記錄的為期10天的CPU負(fù)載數(shù)據(jù)。表1記錄了10天中虛擬機(jī)請(qǐng)求的情況。

3.2 評(píng)價(jià)指標(biāo)

為了評(píng)價(jià)方法性能，本文使用文獻(xiàn)［12］提出的六種性能評(píng)價(jià)指標(biāo):服務(wù)等級(jí)協(xié)議違背率(Service Level Agreement Violations，SLAV)、能源消耗(Energy Consumption，EC)、虛擬機(jī)遷移次數(shù)(Virtual Machine Migrations，VMM)、服務(wù)質(zhì)量和能耗綜合評(píng)價(jià)指標(biāo)(Energy and SLA Violation，ESV)、由于遷移導(dǎo)致的服務(wù)下降(Performance Degradation due to Migration，PDM)、運(yùn)行時(shí)SLA違背時(shí)間(SLA violation Time per Active Host，SLATAH)。

表1 PlantLab虛擬機(jī)請(qǐng)求情況Tab.1 Request status of virtual machine PlantLab

SLATAH指由于活動(dòng)物理主機(jī)在運(yùn)行時(shí)CPU過載導(dǎo)致的違反服務(wù)等級(jí)協(xié)議，定義式如式(11)所示:

PDM代表由于虛擬機(jī)遷移導(dǎo)致的服務(wù)質(zhì)量下降，定義式如式(12)所示:

SLAV是用來評(píng)價(jià)單日內(nèi)數(shù)據(jù)中心服務(wù)質(zhì)量的綜合指標(biāo)，定義式如式(13)所示:

SLAV的值受當(dāng)日數(shù)據(jù)中心SLATAH和PDM的綜合影響。當(dāng)日數(shù)據(jù)中心的SLATAH與PDM值越低，則綜合值SLAV越小，數(shù)據(jù)中心服務(wù)質(zhì)量越高。

EC代表數(shù)據(jù)中心一天的能源消耗。節(jié)約能源不僅能降低數(shù)據(jù)中心的運(yùn)維成本，更是建設(shè)綠色數(shù)據(jù)中心的重要途徑。同時(shí)，低能耗也意味著資源的高利用率。綜合數(shù)據(jù)中心對(duì)低能耗和高服務(wù)質(zhì)量的要求，定義服務(wù)質(zhì)量和能耗綜合評(píng)價(jià)指標(biāo)ESV，表達(dá)式如公式(14)所示:

ESV的值越低意味著當(dāng)日數(shù)據(jù)中心的能源消耗少、服務(wù)質(zhì)量高。

虛擬機(jī)在整合過程中的遷移勢必影響數(shù)據(jù)中心的服務(wù)質(zhì)量，因此在整合過程中，遷移總量VMM的值越低虛擬機(jī)整合方法越高效。

3.3 負(fù)載穩(wěn)定性分析

為了驗(yàn)證WU-VMC方法的效率，本文利用Cloudsim平臺(tái)和PlantLab上10 d的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。文獻(xiàn)［4］對(duì)虛擬機(jī)整合過程進(jìn)行了深入的研究，并提出了一系列經(jīng)典整合方法。根據(jù)實(shí)驗(yàn)結(jié)果，對(duì)比分析文獻(xiàn)［4］提出的一系列整合方法與WU-VMC整合方法。

由于負(fù)載的穩(wěn)定性對(duì)于虛擬機(jī)整合有著十分重要的影響，據(jù)此對(duì)數(shù)據(jù)中心活動(dòng)物理主機(jī)的CPU負(fù)載情況進(jìn)行記錄。物理主機(jī)負(fù)載記錄的時(shí)間間隔為5 min，24 h內(nèi)數(shù)據(jù)中心共記錄了288次物理主機(jī)負(fù)載的變化情況。

2011年3月3日數(shù)據(jù)中心活動(dòng)物理主機(jī)平均負(fù)載變化情況如圖4所示。WU-VMC方法的CPU利用率明顯高于MAD-MMT、ST-MMT、IQR-RS三種方法。LR-MC方法的CPU利用率峰值雖然與WU-VMC方法相當(dāng)，但LR-MC方法CPU利用率波動(dòng)較大容易造成資源浪費(fèi)。

圖4 3月3日一天內(nèi)活動(dòng)物理主機(jī)平均負(fù)載變化Fig.4 Average workload change of running physical hosts in March 3rd

活動(dòng)物理主機(jī)的負(fù)載標(biāo)準(zhǔn)差可以反映數(shù)據(jù)中心負(fù)載的穩(wěn)定性。結(jié)合圖5(a)可以看出，10 d內(nèi)WU-VMC方法的活動(dòng)物理主機(jī)CPU資源利用率標(biāo)準(zhǔn)差最小，即利用WU-VMC方法進(jìn)行虛擬機(jī)整合使得數(shù)據(jù)中心負(fù)載更穩(wěn)定;同時(shí)通過圖5(b)可以看出，10 d內(nèi)使用WU-VMC方法的數(shù)據(jù)中心活動(dòng)物理主機(jī)CPU平均利用率最高。故而，WU-VMC方法能夠穩(wěn)定數(shù)據(jù)中心工作負(fù)載，提高數(shù)據(jù)中心資源利用率。MADMMT方法與其他三種方法由于在整合過程中未充分考慮物理主機(jī)與虛擬機(jī)的負(fù)載變化情況因而出現(xiàn)了負(fù)載波動(dòng)較大、資源利用不充分等現(xiàn)象。

3.4 整合性能分析

利用文獻(xiàn)［12］提出的六種評(píng)價(jià)指標(biāo)對(duì)本文提出的WU-VMC方法以及文獻(xiàn)［4］提出的 MAD-MMT、LR-MC、IQRRS、ST-MMT四種方法進(jìn)行對(duì)比分析。不同方法在數(shù)據(jù)中心運(yùn)行的各項(xiàng)評(píng)價(jià)指標(biāo)如表2所示。圖6對(duì)各方法的能耗和服務(wù)等級(jí)協(xié)議違背率進(jìn)行對(duì)比。

根據(jù)表2可以看出，由于LR-MC方法對(duì)虛擬機(jī)的過度整合導(dǎo)致其PDM值與SLATAH值最高，即由于遷移導(dǎo)致的服務(wù)質(zhì)量下降和由于過載導(dǎo)致的服務(wù)質(zhì)量下降。結(jié)合圖6(a)可知，LR-MC方法由于過度整合，數(shù)據(jù)中心開啟的物理主機(jī)的數(shù)量下降，所以能耗比 MAD-MMT、ST-MMT方法低。MAD-MMT方法與 ST-MMT方法由于使用最小遷移時(shí)間(MMT)作為虛擬機(jī)選擇策略，所以虛擬機(jī)遷移對(duì)數(shù)據(jù)中心的服務(wù)質(zhì)量影響小，即PDM值小。IQS-RS方法的綜合評(píng)價(jià)指標(biāo)ESV值比其他方法高，故而，在五種方法中IQS-RS方法的整合效率最低。

圖5 10 d內(nèi)活動(dòng)物理主機(jī)負(fù)載性能變化Fig.5 Workload change of running physical hosts within ten days

圖6 不同方法性能對(duì)比Fig.6 Performance comparison of different methods

本文所提WU-VMC方法通過穩(wěn)定物理主機(jī)負(fù)載提高資源利用率，降低物理主機(jī)過載概率。如表2所示，WU-VMC方法與其他四種方法相比，虛擬機(jī)遷移次數(shù)VMM值降低了63%～67%;由于遷移導(dǎo)致的服務(wù)質(zhì)量下降指標(biāo)PDM值降低了39%～62%;由于過載導(dǎo)致的服務(wù)質(zhì)量下降指標(biāo)SLATAH值降低了11%～41%。因此與其他四種方法相比，WU-VMC方法綜合評(píng)價(jià)指標(biāo)ESV值下降了65%～83%。

表2 不同方法性能評(píng)價(jià)結(jié)果Tab.2 Performance evaluation rusults of different methods

能耗和服務(wù)等級(jí)協(xié)議違背率是判斷數(shù)據(jù)中心是否高效的關(guān)鍵指標(biāo)。根據(jù)圖6可知，在五種整合方法中，WU-VMC方法的EC值和SLAV值均低于其他四種方法。綜上所述，本文所提WU-VMC方法在虛擬機(jī)整合的各個(gè)方面都有著較好結(jié)果。

4 結(jié)語

云數(shù)據(jù)中心虛擬資源調(diào)度和管理是云計(jì)算的關(guān)鍵和核心內(nèi)容之一。高效率的資源調(diào)度策略不僅能降低數(shù)據(jù)中心的能耗，而且能提高數(shù)據(jù)中心的資源利用率?？紤]到物理主機(jī)當(dāng)前剩余資源對(duì)虛擬機(jī)遷移和虛擬機(jī)放置的影響，通過利用虛擬機(jī)的資源請(qǐng)求擬合物理主機(jī)工作負(fù)載，計(jì)算虛擬機(jī)與物理主機(jī)的匹配度的核心思想，系統(tǒng)研究并提出了虛擬機(jī)整合過程中的主機(jī)過載檢測、虛擬機(jī)選擇、虛擬機(jī)放置和物理主機(jī)收縮四個(gè)子算法，通過進(jìn)一步對(duì)上述四個(gè)子算法進(jìn)行融合，提出了一種基于負(fù)載不確定性的虛擬機(jī)整合(WU-VMC)方法。仿真實(shí)驗(yàn)驗(yàn)證了WU-VMC方法的有效性和高效性。然而本本文僅考慮了CPU這一單一資源的使用情況，忽略了內(nèi)存、帶寬等因素，沒有綜合考慮CPU、內(nèi)存、帶寬等因素對(duì)虛擬機(jī)整合的綜合影響，如何利用多資源約束的多目標(biāo)算法［17］進(jìn)行虛擬機(jī)整合，將是我們下一步的研究工作。