徐勝超 ，宋 娟 ，潘 歡

(1.廣州華商學(xué)院 數(shù)據(jù)科學(xué)學(xué)院，廣東 廣州 511300；2.寧夏大學(xué) 寧夏沙漠信息智能感知重點(diǎn)實(shí)驗(yàn)室，寧夏 銀川 750021)

0 引言

如何提高云數(shù)據(jù)中心的物理主機(jī)的利用效率并進(jìn)行負(fù)載均衡操作至關(guān)重要[1]，目前大部分云服務(wù)提供商都采用虛擬機(jī)遷移技術(shù)[2]。虛擬機(jī)選擇是整個(gè)虛擬機(jī)遷移過程的一個(gè)重要步驟，它的功能是從云數(shù)據(jù)中心的異常物理主機(jī)中運(yùn)用一定的算法選擇出需要候選遷移的虛擬機(jī)，從而為后續(xù)的虛擬機(jī)放置過程提供輸入?yún)?shù)。

具有高關(guān)聯(lián)度的虛擬機(jī)之間更容易觸發(fā)超負(fù)載事件，因此如何防止那些高關(guān)聯(lián)性的虛擬機(jī)在虛擬機(jī)放置過程中被分配到同一個(gè)物理節(jié)點(diǎn)上就是一個(gè)關(guān)鍵問題[3-4]。

文獻(xiàn)[5]提出了虛擬機(jī)選擇和虛擬機(jī)放置過程結(jié)合起來,可以充分提高物理資源的使用效率,具有一定的優(yōu)勢(shì)；文獻(xiàn)[6-7]提出了貪心算法優(yōu)化的虛擬機(jī)選擇策略，在選擇過程中通過動(dòng)態(tài)調(diào)整物理資源利用閾值邊界，可以很好地降低能量消耗；文獻(xiàn)[8-9]提出了溫度感知的虛擬機(jī)選擇策略，它將物理主機(jī)的處理器的溫度作為虛擬機(jī)選擇的標(biāo)準(zhǔn)，是一種考慮硬件的虛擬機(jī)選擇策略。文獻(xiàn)[10]提出了數(shù)據(jù)依賴的虛擬機(jī)選擇策略，它在選擇候選遷移虛擬機(jī)的過程中考慮虛擬機(jī)之間的數(shù)據(jù)依賴關(guān)系，它的思路與本文的考慮十分相似。實(shí)驗(yàn)結(jié)果表明該策略也可以提高云數(shù)據(jù)中心的各類指標(biāo)性能，但是文獻(xiàn)[5]-[10]都沒有考慮虛擬機(jī)的關(guān)聯(lián)性。

虛擬機(jī)之間的相關(guān)性如果按照統(tǒng)計(jì)學(xué)的方式進(jìn)行建模，考慮物理資源的歷史信息，在這種因素下考慮虛擬機(jī)選擇問題會(huì)更加接近真實(shí)的情況。本文提出一種考慮虛擬機(jī)關(guān)聯(lián)性的虛擬機(jī)選擇策略，稱為PC-VMS(Pearson Correlation coefficient Virtual Machine Selection)，即把皮爾遜相關(guān)系數(shù)的計(jì)算方法應(yīng)用于虛擬機(jī)CPU歷史利用率數(shù)據(jù)，建立了衡量每對(duì)虛擬機(jī)CPU 利用率之間的相關(guān)性的數(shù)學(xué)模型；PC-VMS 會(huì)獲取每對(duì)虛擬機(jī)最近n 次的CPU 利用率，根據(jù)輸入的兩組數(shù)據(jù)來計(jì)算皮爾遜相關(guān)系數(shù)，最后在一組相關(guān)性最高的虛擬機(jī)中選擇一個(gè)CPU 利用率最高的對(duì)象作為候選遷移虛擬機(jī)，從而為后續(xù)的虛擬機(jī)放置步驟作為輸入?yún)?shù)。

PC-VMS 虛擬機(jī)選擇策略的仿真和測(cè)試過程是放到整個(gè)虛擬機(jī)遷移過程中完成的。經(jīng)過PC-VMS 虛擬機(jī)選擇策略優(yōu)化后的虛擬機(jī)遷移實(shí)驗(yàn)結(jié)果表明，PC-VMS 可以穩(wěn)定云計(jì)算的服務(wù)質(zhì)量水平,降低能量消耗。

1 PC-VMS 虛擬機(jī)選擇策略概況

1.1 PC-VMS 的工作背景

PC-VMS 依托CloudSim 模擬器工具來工作與仿真云數(shù)據(jù)中心的各類性能指標(biāo)，經(jīng)過PC-VMS 優(yōu)化后的虛擬機(jī)遷移過程具體包括以下4 個(gè)步驟[11]：

(1)周期性地完成云數(shù)據(jù)中心的所有物理主機(jī)狀態(tài)檢測(cè)(over-utilized 或under-utilized)，形成異常物理主機(jī)列表；

(2)針對(duì)異常的物理主機(jī)，采用PC-VMS 策略完成虛擬機(jī)的選擇,形成侯選遷移虛擬機(jī)列表；

(3)針對(duì)候選遷移的所有虛擬機(jī)，完成虛擬機(jī)放置過程；

(4)反復(fù)執(zhí)行步驟(1)～(3)，通過設(shè)置一個(gè)是周期(通常是一周),達(dá)到該時(shí)間段虛擬機(jī)遷移過程就結(jié)束。

PC-VMS 與CloudSim 項(xiàng)目中不同的是，在步驟(2)中，著重考慮虛擬機(jī)的處理器利用率的關(guān)聯(lián)度，通過建立虛擬機(jī)之間的關(guān)聯(lián)度數(shù)學(xué)模型，設(shè)計(jì)了虛擬機(jī)之間的皮爾遜相關(guān)系數(shù)，其他的步驟(1)和步驟(3)繼續(xù)借鑒了CloudSim 項(xiàng)目中的已有的優(yōu)化策略。

1.2 PC-VMS 的相關(guān)術(shù)語

1.2.1 皮爾遜相關(guān)系數(shù)

假設(shè)一個(gè)物理主機(jī)上面有n 個(gè)運(yùn)行的虛擬機(jī)VM，假設(shè)這些虛擬機(jī)組成了一個(gè)向量，VM={VM1，VM2，…，VMn}，為了計(jì)算物理主機(jī)上虛擬機(jī)之間的相關(guān)性，本文算法使用了皮爾遜相關(guān)系數(shù)，其計(jì)算公式如下：

式中，r 表示皮爾遜相關(guān)系數(shù)，i 和n 表示虛擬機(jī)的編號(hào)，xi和yi分別表示的是虛擬機(jī)VMi最近的k 次CPU 利用率，各自表示虛擬機(jī)最近的k 次CPU 利用率的平均值。式(2)為虛擬機(jī)CPU 歷史利用率矩陣U：

式中，矩陣的行代表超負(fù)載主機(jī)上的某個(gè)虛擬機(jī)VMi的利用率，矩陣的列表示模擬器運(yùn)行過程中的某個(gè)時(shí)間點(diǎn)tj，矩陣中的數(shù)據(jù)uij表示虛擬機(jī)VMi在時(shí)間點(diǎn)tj下的CPU 利用率。接下來，利用CPU 歷史利用率矩陣，根據(jù)皮爾遜相關(guān)系數(shù)的計(jì)算公式計(jì)算虛擬機(jī)之間的相關(guān)性，同樣把結(jié)果保存在一個(gè)矩陣(C)中，如式(3)所示：

式中，矩陣的行和列都代表著虛擬機(jī)VMi；cij代表虛擬機(jī)CPU 利用率之間的皮爾遜相關(guān)系數(shù)，cij∈(-1，1)；矩陣中的數(shù)字1 是無效的值。

1.2.2 云數(shù)據(jù)中心的總體能量消耗模型

云數(shù)據(jù)中心能量消耗主要由物理主機(jī)的所有部件的能量消耗組成。一個(gè)物理主機(jī)所消耗的能量主要由處理器、內(nèi)存、磁盤、網(wǎng)絡(luò)帶寬組成。根據(jù)這個(gè)思路，本文設(shè)計(jì)了單個(gè)物理主機(jī)的能量消耗。第j 個(gè)物理主機(jī)在[t0，t1]時(shí)間段的總體能量消耗Ej可以按照式(4)來計(jì)算：

那么整個(gè)云數(shù)據(jù)中心的能量消耗Etotal為式(5)：

其中，m 是物理主機(jī)個(gè)數(shù)。

1.2.3 SLA 違規(guī)在線時(shí)間(SLA violation Time per Active Host，SLATAH)

SLA 在線時(shí)間(SLA time per host)體現(xiàn)了物理主機(jī)具有高服務(wù)質(zhì)量的在線時(shí)間情況。

其中，m 為云數(shù)據(jù)中心的物理主機(jī)數(shù)量，j 表示物理主機(jī)的編號(hào)，Tsj是物理主機(jī)CPU 利用率達(dá)到100%的時(shí)間，Taj是物理主機(jī)處于在線活躍狀態(tài)的時(shí)間。

1.2.4 虛擬機(jī)遷移后的性能降低(Performance Degradation due to Migrations，PDM)

其中，n 表示云數(shù)據(jù)中心的虛擬機(jī)數(shù)量，i 表示虛擬機(jī)的編號(hào)，Ddi是由于虛擬機(jī)VMi遷移導(dǎo)致的性能下降的估計(jì)值，Dri是請(qǐng)求虛擬機(jī)VMi的整個(gè)時(shí)間段內(nèi)總的CPU MIPS 計(jì)算能力。

1.2.5 SLA 違規(guī)率(SLA Violation)

SLA 的違規(guī)率的計(jì)算通過式(8)計(jì)算：

SLA Violation 違規(guī)率是體現(xiàn)云服務(wù)提供商的高服務(wù)質(zhì)量的重要指標(biāo)。

2 PC-VMS 虛擬機(jī)選擇策略描述

2.1 PC-VMS 的策略描述

本小節(jié)詳細(xì)描述PC-VMS 虛擬機(jī)選擇策略涉及的算法及其工作流程。該策略使用了兩個(gè)算法，在算法1中，計(jì)算皮爾遜相關(guān)系數(shù)矩陣，接著調(diào)用算法2 來尋找相關(guān)性大小位于前k 位分別所對(duì)應(yīng)的虛擬機(jī)，最后從算法2 返回的虛擬機(jī)列表中選擇一個(gè)CPU 利用率最大的虛擬機(jī)遷移出去。

(1)算法1：基于皮爾遜相關(guān)系數(shù)的虛擬機(jī)選擇策略

輸入：物理主機(jī)負(fù)載檢測(cè)階段的異常物理主機(jī)MigratedHostList

輸出：要遷出的虛擬機(jī)列表VmsToMigratedList

①獲取物理主機(jī)上的虛擬機(jī)列表，保存到變量migratableVms 列表中；

②計(jì)算當(dāng)模擬器當(dāng)前的時(shí)刻time，將time 除以300得到timeStep，如果timeStep<5，則啟用備用的虛擬機(jī)選擇策略，結(jié)束該算法，否則，進(jìn)入步驟③；

③根據(jù)獲取的migratableVms 計(jì)算CPU 歷史利用率矩陣cpuUsage；

④根據(jù)矩陣cpuUsage 計(jì)算CPU 利用率之間的皮爾遜相關(guān)系數(shù)，結(jié)果保存到矩陣pearsonMatrix 中；

⑤調(diào)用算法2 尋找虛擬機(jī)列表，返回結(jié)果保存到列表vmList 中；

⑥在vmList 尋找一個(gè)CPU 利用率最大的虛擬機(jī)，保存該虛擬機(jī)在vmList 中的索引值index；

⑦返回vmList 中索引為index 的虛擬機(jī)，存入VmsTo-MigratedList。

(2)算法2：尋找皮爾遜相關(guān)系數(shù)大小最近的k 個(gè)所對(duì)應(yīng)的虛擬機(jī)

輸入：pearsonMatrix，migratableVms，k

輸出：與最近k 個(gè)相關(guān)系數(shù)大小有關(guān)的虛擬機(jī)列表vmList

①遍歷矩陣pearsonMatrix 的行和列，取出里面的元素，存放到一個(gè)名為maxCoefficients 的HashSet 集合中；

②對(duì)maxCoefficients 中的元素進(jìn)行降序排列，結(jié)果賦給一個(gè)List 集合，取名為coefficientsList；

③取出集合coefficientsList 中前k 個(gè)元素，存放到List集合top_k 中；

④遍歷pearsonMatrix 矩陣的每一行，找出這一行最大的那個(gè)元素，然后判斷top_k 列表是否包含這個(gè)元素，如果包含，則從migratableVms 列表中根據(jù)當(dāng)前遍歷的行號(hào)找到一個(gè)虛擬機(jī)，添加這個(gè)虛擬機(jī)到列表vmList 中；

⑤返回vmList。算法1 和算法2 兩個(gè)算法經(jīng)過少量的修改即可轉(zhuǎn)化成為代碼。

2.2 PC-VMS 的策略實(shí)現(xiàn)模塊

PC-VMS 依托了CloudSim 各個(gè)運(yùn)行模塊，在CloudSim云模擬器中每個(gè)物理主機(jī)上都運(yùn)行有一個(gè)本地代理Local Broker，PC-VMS 虛擬機(jī)選擇優(yōu)化策略的實(shí)現(xiàn)主要在此模塊中完成，算法1 和算法2 的實(shí)現(xiàn)基于Java 實(shí)現(xiàn)。上述算法1 和算法2 的運(yùn)行流程經(jīng)過少量修改即可轉(zhuǎn)化為PC-VMS 的代碼。

3 PC-VMS 仿真實(shí)驗(yàn)與性能分析

3.1 仿真環(huán)境的建立

(1)創(chuàng)建物理主機(jī)

云數(shù)據(jù)中心的能量消耗模型是最常見的CoMon project，它是由planetlab 實(shí)驗(yàn)室開發(fā)的一個(gè)項(xiàng)目，也是目前云數(shù)據(jù)中心的模擬器的典型BenchMark 模型[12]。測(cè)試指標(biāo)都參考了1.2 節(jié)中提到的虛擬機(jī)遷移次數(shù)、SLA 違規(guī)率、能量消耗情況。物理主機(jī)配置如表1 所示。

表1 云數(shù)據(jù)中心物理主機(jī)硬件配置

(2)創(chuàng)建虛擬機(jī)

創(chuàng)建的虛擬機(jī)參考的是普通網(wǎng)絡(luò)客戶端的應(yīng)用程序訪問類型，不同的是每個(gè)虛擬機(jī)都是CPU 能力不同，并且內(nèi)存也有所改變?？偣矂?chuàng)建了4 種虛擬機(jī)類型，配置參數(shù)如表2 所示。

表2 PC-VMS 虛擬機(jī)配置參數(shù)表

對(duì)于虛擬機(jī)的初始化放置策略，使用的是首次適應(yīng)的方法，即首次為虛擬機(jī)尋找宿主機(jī)的時(shí)候，如果找到了一個(gè)擁有足夠資源創(chuàng)建這個(gè)虛擬機(jī)的物理主機(jī)，就立即分配給它，而不再考慮后面的主機(jī)，即使有更合適的選擇。這樣做的好處就是在為虛擬機(jī)首次尋找目標(biāo)主機(jī)的過程中節(jié)約了時(shí)間，虛擬機(jī)請(qǐng)求的個(gè)數(shù)如表3 所示。

表3 PC-VMS 虛擬機(jī)選擇優(yōu)化策略運(yùn)行時(shí)間

在實(shí)驗(yàn)中的物理主機(jī)負(fù)載檢測(cè)中，采用的是魯棒局部歸約主機(jī)負(fù)載檢測(cè)，即選擇最近j 個(gè)物理主機(jī)進(jìn)行規(guī)約預(yù)測(cè)出資源利用率邊界然后選擇，j 取值為10。

PC-VMS 虛擬機(jī)選擇策略將與CloudSim4.0 內(nèi)置的策略進(jìn)行對(duì)比，這些內(nèi)置的策略包括隨機(jī)選擇策略(Random Selection，RS)、最小利用率策略(Minimum Utilization，MU)、最大關(guān)聯(lián)選擇策略(Maximum Correlation，MC)和最小時(shí)間選擇策略(Minimum Migration Time，MMT)。在虛擬機(jī)放置策略方面，實(shí)驗(yàn)中采用的是遞減裝箱方法(Best-Fit-Decreasing，BFD)。

3.2 固定虛擬機(jī)數(shù)量的實(shí)驗(yàn)分析

整個(gè)云客戶端被分配了1 000 個(gè)虛擬機(jī)，然后讓這些虛擬機(jī)執(zhí)行2 000 個(gè)云任務(wù)，每個(gè)任務(wù)的長(zhǎng)度是216 000 000 MI，給CloudSim 設(shè)定的模擬時(shí)間是24 h(86 400 s)。最后，每次保持上述的設(shè)置不變，在CloudSim 模擬器中測(cè)試了包括本文算法在內(nèi)的5 種虛擬機(jī)選擇策略。表4 展示了它們的測(cè)試結(jié)果。

從表4 的測(cè)試的結(jié)果來看，PC-VMS 虛擬機(jī)選擇策略在降低能量消耗方面的效果要稍微好于其他策略，MU 策略的能量消耗是最大的，另外3 種策略的能耗基本持平。表4 的第3、4 列顯示了在虛擬機(jī)遷移次數(shù)以及SLA 違規(guī)次數(shù)方面的情況，PC-VMS 虛擬機(jī)選擇策略則明顯少于其他4 種策略，所以PC 虛擬機(jī)選擇策略帶來的性能下降和SLA 違規(guī)率也是最低的。PC-VMS 虛擬機(jī)選擇策略相比于其他策略擁有低能量消耗的優(yōu)勢(shì)，并且大幅度地降低了SLA 違規(guī)率，這有利于企業(yè)實(shí)現(xiàn)綠色節(jié)能的云計(jì)算。

表4 云數(shù)據(jù)中心不同虛擬機(jī)選擇策略測(cè)試結(jié)果

從表4 也可以看出，PC-VMS 虛擬機(jī)選擇策略明顯地降低了虛擬機(jī)遷移次數(shù)，從而也降低了物理主機(jī)遭受SLA 違例的次數(shù)。由于MU 虛擬機(jī)選擇策略每次選擇CPU 利用率最低的那個(gè)虛擬機(jī)進(jìn)行遷移，可能需要反復(fù)執(zhí)行算法選擇多個(gè)虛擬機(jī)遷出，才能使過度負(fù)載的物理主機(jī)重新回到正常負(fù)載水平，因此該策略的能耗、SLA違規(guī)率、虛擬機(jī)遷移次數(shù)和SLA 違規(guī)次數(shù)都較高。PC-VMS虛擬機(jī)選擇策略還有一個(gè)重要的優(yōu)勢(shì)是它在整個(gè)遷移過程中所導(dǎo)致的性能下降比率最低，這得益于該策略的虛擬機(jī)遷移次數(shù)較少，因?yàn)槊看翁摂M在線遷移的過程中難免會(huì)損失部分性能。

3.3 不同虛擬機(jī)數(shù)量的實(shí)驗(yàn)分析

利用PC-VMS 虛擬機(jī)選擇算法優(yōu)化之后，當(dāng)云平臺(tái)的虛擬機(jī)的請(qǐng)求個(gè)數(shù)從100～600 個(gè)變化時(shí)，各個(gè)虛擬機(jī)選擇策略的總體能量消耗比較如表5 所顯示。從表5 可以看出，PC-VMS 比CloudSim4.0 中已有的策略在總體能量消耗上要節(jié)約20%～25%，能量消耗基本呈線性變化。分析原因是雖然云數(shù)據(jù)中心的整體物理主機(jī)個(gè)數(shù)為800 個(gè)，但是隨著虛擬機(jī)個(gè)數(shù)的變化，在虛擬機(jī)比較少的時(shí)候，大部分物理主機(jī)可以切換到關(guān)閉狀態(tài)，能量消耗自然降低了。

表5 各類策略總體能量消耗性能比較 (kWh)

4 結(jié)論

云數(shù)據(jù)中心利用虛擬機(jī)遷移技術(shù)來降低總的能量消耗，同時(shí)必須盡量滿足SLA 違規(guī)。作為虛擬機(jī)遷移過程的一部分，虛擬機(jī)選擇算法要從狀態(tài)異常的物理主機(jī)中精準(zhǔn)地選擇出候選遷移的虛擬機(jī)。本文提出了一種根據(jù)虛擬機(jī)CPU 利用率之間的相關(guān)性來選擇虛擬機(jī)的PC-VMS 策略，PC-VMS 虛擬機(jī)選擇策略不僅僅限制于在CloudSim 模擬器中，還可以與其他的開源云平臺(tái)結(jié)合起來使用，或與其他更加先進(jìn)的虛擬機(jī)放置算法結(jié)合起來使用，可以更好地提高云數(shù)據(jù)中心的各個(gè)性能指標(biāo)[13-15]。