潘繼財

(中國科學技術信息研究所,北京 100038)

0 引言

在云計算技術的廣泛應用背景下，網(wǎng)絡資源的共享更加便利，也使得用戶能夠更方便地獲取更加便利的網(wǎng)絡服務。但隨著云計算服務的普適化發(fā)展及網(wǎng)絡用戶數(shù)量的不斷增加，產(chǎn)生了大量的云計算工作和能量消耗，在高數(shù)據(jù)負載壓力下，資源分配服務器能耗大、工作狀態(tài)不穩(wěn)定，導致云計算任務調(diào)度系統(tǒng)無法正常工作，嚴重時可能導致系統(tǒng)癱瘓，無法為用戶提供資源分配和任務調(diào)度服務[1-2]。

為此，國內(nèi)的相關研究者對云計算環(huán)境下的任務調(diào)度進行了深入的研究，文獻[3]提出基于異構云算法的云計算任務調(diào)度模型結合異構資源分配服務器組件高速資源分配網(wǎng)絡，采用并行式和分布式算法構建云計算任務調(diào)度模型協(xié)調(diào)多個不同架構的服務器進行任務分配，有效提升了任務調(diào)度的準確率，但針對能耗方面的優(yōu)化效果不明顯，整體能力消耗大、服務器負載高，計算量大、任務調(diào)度效率較低，整體工作狀態(tài)難以維持穩(wěn)定狀態(tài)。文獻[4]提出基于動態(tài)優(yōu)先級和調(diào)度決策的云計算任務調(diào)度模型應用TS-DPSD算法構建動態(tài)優(yōu)先級模型，考慮任務的價值度和緊急度進行調(diào)度排序，保證了任務調(diào)度的公平性和高效率性，并參考螢火蟲行為，利用螢火蟲算法以時間為吸引度進行任務調(diào)度，再次提升了任務調(diào)度的效率，但缺點在于沒有對整體的能耗進行考慮，導致資源分配不理性，任務調(diào)度缺乏精確性。

針對上述方法存在的問題，本文提出了基于動態(tài)能量感知的云計算任務調(diào)度模型。首先計算任務調(diào)度的耗時及資源分配產(chǎn)生的總能耗，基于動態(tài)能力感知，構建云計算任務調(diào)度模型，對資源屬性及任務屬性進行分配，利用虛擬技術對調(diào)度任務進行需求分析和分類，通過動態(tài)能量感知構建云計算任務調(diào)度模型，將任務調(diào)度資源映射到虛擬計算中進行任務調(diào)度，實現(xiàn)動態(tài)任務調(diào)度。

1 云計算任務節(jié)點分析

分析云計算任務節(jié)點，通過計算節(jié)點集群中資源分配服務器的個數(shù)，進行任務調(diào)度服務器選擇，匹配適用于任務調(diào)度需求的云計算任務節(jié)點。通過將節(jié)點集群中的資源分配服務器投影到云計算任務節(jié)點投影空間，判斷投影點是否集中在集群中的重心點附近，是則說明整個資源分配服務器處于穩(wěn)定的工作狀態(tài)，負載均衡。反之則則說明整體資源分配服務器的工作狀態(tài)不穩(wěn)定，負載較高。

云計算任務節(jié)點中的資源分配服務器工作狀態(tài)可用b={b1,b2,…,bn}來表示。當云計算任務節(jié)點接收某一任務和任務調(diào)度指令時，資源分配服務器的工作狀態(tài)發(fā)生改變，其對應的參數(shù)向量隨之發(fā)生變化，在某種程度上，參數(shù)向量的變化程度反映了資源分配服務器工作狀態(tài)的變化類型[5-6]。

對于一個運行良好的云計算任務調(diào)度系統(tǒng)，計算節(jié)點在云計算任務節(jié)點投影空間中的投影點應以空間重心點為中心進行聚集，越靠近重心點位置，投影點越密集[7-8]。

假設云計算節(jié)點集群中資源分配服務器的個數(shù)為q，資源分配服務器的參數(shù)個數(shù)為p。進行任務調(diào)度時參考各個資源分配服務器的各個參數(shù)向量進行服務器選擇，針對不同任務的調(diào)度需求，p個參數(shù)的重要性各不相同。假設在進行某一任務調(diào)度時，各個參數(shù)的權重分別為h1,h2,…，hP，令h1+h2+…+hP=1，則節(jié)點在云計算任務節(jié)點投影空間中的投影點集L為：

L={l1P,l2P,…，lqP}

其中:l表示節(jié)點在云計算任務節(jié)點投影空間中對應的投影點。

則該云計算任務節(jié)點投影空間的重心點G=(k1,k2,k3)的位置計算公式如下：

(1)

(2)

(3)

式中，k1、k2、k3分別對應重心點在三維空間中的位置參數(shù)[9]。

重心點位置反映了整體資源分配服務器的總體工作狀態(tài)，也是云計算任務調(diào)度重要參考指數(shù)，通過將節(jié)點集群中的資源分配服務器投射到云計算任務節(jié)點投影空間，使得服務器的工作狀態(tài)更加直觀明了。若投影點集中在聚集中重心點周圍，則表示整體資源分配服務器的工作狀態(tài)穩(wěn)定，負載均衡。若投影點在空間中呈現(xiàn)出為中心式分散狀態(tài)，則表示整體資源分配服務器的工作狀態(tài)不穩(wěn)定，負載較高[10-12]。

2 基于動態(tài)能量感知的云計算任務調(diào)度模型

云計算任務調(diào)度模型是基于動態(tài)能量感知技術，對云計算的資源屬性和任務屬性進行任務調(diào)度。云計算任務調(diào)度模型的能耗一般由動態(tài)能耗、CMOS電路短路能耗和漏電能耗3部分組成，其中，模型的動態(tài)能耗是主要的能耗方式[13]，基于此，針對動態(tài)能耗的感知，本文利用動態(tài)能量感知技術構建云計算任務調(diào)度模型，該模型使用成熟的虛擬計算將任務調(diào)度資源映射到虛擬層進行任務調(diào)度。其中，提供物理資源的服務器采用N：1橫向虛擬整合法，實現(xiàn)任務調(diào)度。并對云計算任務調(diào)度模型的任務調(diào)度時間與任務調(diào)度能耗進行相關分析，引入基于動態(tài)能量感知的能耗時間轉(zhuǎn)換因子，計算完成任務調(diào)度所需的能量消耗及時間消耗。

2.1 任務調(diào)度問題

分析云計算任務調(diào)度問題，是為了研究云計算任務調(diào)度的所需時間及任務調(diào)度過程中產(chǎn)生的動態(tài)能量消耗?？紤]動態(tài)能量消耗的情況下，任務調(diào)度問題可以定義為[14]：存在具有同一類任務調(diào)度需求(包含調(diào)度帶寬需求、調(diào)度距離需求、可信度需求等)的n個不具相互聯(lián)系的獨立性任務X={x1,x2,…，xn}，以及滿足以上任務調(diào)度需求的相應服務器中m個分配資源Y={y1,y2,…，ym}，目標調(diào)度任務需同時滿足最短時間跨度條件和最優(yōu)總能耗條件，旨在最大限度地提升任務調(diào)度的效率，避免系統(tǒng)超負載的同時降低運行成本。

所有任務調(diào)度的最短時間跨度Tdmin的計算方式為：

Tdmin=Uj-Ri

(4)

式中，Uj表示任務xj完成調(diào)度的總時間；Ri表示完成分配資源yi資源分配的總時間。

分配資源yi的空閑分配時間Tfree為：

Tfree=Tdmin-Ri

(5)

其中：滿足以最短時間跨度Tdmin完成資源分配的服務器資源，Tfree值為0。

所有資源分配產(chǎn)生的總能耗E計算方式如下：

(6)

其中：Ei表示分配資源yi進行資源分配時產(chǎn)生的動態(tài)能量消耗。

2.2 云計算任務調(diào)度模型

云計算任務調(diào)度模型主要解決云計算任務調(diào)度中的資源分配問題及任務調(diào)度過程中的工作負載問題。本文基于動態(tài)能力感知為基礎采用S={X，Y}二元組表示云計算任務調(diào)度模型[15]，其中X元組和Y元組的具體含義如下：

1)Y={y1,y2,…，ym}表示m個分配資源的集合，yi表示第i個分配資源。

資源屬性：資源分配滿足虛擬映射原則，基于動態(tài)能量感知算法，考慮服務器電路的能耗，通過調(diào)整服務器的工作電壓和資源分配頻率改變整體能量消耗，其中的聯(lián)系為，當服務器的工作電壓增大或資源分配頻率增大時，整體的能量消耗減小[16]。

云計算任務調(diào)度模型如圖1所示。

圖1 云計算任務調(diào)度模型

描述資源屬性，采用yi={cci,vi}二元組定義分配資源yi，其中cci表示分配資源yi在單位時間內(nèi)的資源分配能力，在某種程度上，反映了資源yi在單位時間內(nèi)的可分配次數(shù)；vi表示了分配資源yi的服務器工作電壓策略，不同策略對應不同的服務器工作電壓和資源分配頻率，其中，資源分配頻率的變化范圍為[0,2]。

2)X={x1,x2,…，xn}表示n個不具相互聯(lián)系的獨立性任務的集合，xj表示第j個任務。

任務屬性：O={oj,1

2.3 任務調(diào)度時間分析

由于任務調(diào)度時間與任務調(diào)度能量消耗存在一定聯(lián)系[18]，因此為便于時間分析，本文以動態(tài)能量感知為基礎引入能量消耗時間轉(zhuǎn)換因子，將完成任務調(diào)度所需的能量消耗參數(shù)統(tǒng)一轉(zhuǎn)換為時間參數(shù)，能量消耗時間轉(zhuǎn)換因子的定義矩陣如下：

a=[a1,a2,…，,am],ai

(7)

其中：ai表示完成分配資源yi的分配時產(chǎn)生的能量消耗與時間的轉(zhuǎn)換因子[19]。

則完成yi分配資源的分配所產(chǎn)生的能量消耗轉(zhuǎn)化成的時間參數(shù)EXi可表示為：

EXi=ai×Ei

(8)

完成參數(shù)轉(zhuǎn)換后，定義EXC=[EXC[i,j]]n×m表示任務調(diào)度時間矩陣，其中，EXC[(i,j]表示完成xj任務調(diào)度在進行分配資源yi所需的執(zhí)行時間。

任務調(diào)度時間序列如圖2所示。

圖2 任務調(diào)度時間序列

參考任務調(diào)度的計算量和分配資源的分配能力，完成xj任務調(diào)度在進行分配資源yi所需的執(zhí)行時間EXC[(i,j]為：

(9)

參考任務調(diào)度時間隨著服務器工作電壓和資源分配頻率的降低而增大的關系[20-22]，則任務xj在服務器工作電壓策略為vi的分配資源yi上執(zhí)行的任務調(diào)度時間矩陣為：

(10)

采用替換EXC矩陣中的，則完成xj任務調(diào)度在進行分配資源yi所需的執(zhí)行時間為：

EXC[i,j]=[ETC′[i,j]]

(11)

3 實驗研究

為驗證本文提出的基于動態(tài)能量感知的云計算任務調(diào)度模型的有效性，與文獻[3]提出的基于異構云算法的云計算任務調(diào)度模型、文獻[4]提出的基于動態(tài)優(yōu)先級和調(diào)度決策的云計算任務調(diào)度模型進行實驗對比。設定實驗環(huán)境參數(shù)如下：Cloudsim Toolkit、操作工具Ant、云計算節(jié)點50個、工作電壓200 V、工作電流150 A、操作系統(tǒng)Windows10。在上述實驗環(huán)境下開展云計算任務調(diào)度實驗。

為了保證實驗的真實性，分別對小數(shù)據(jù)集和大數(shù)據(jù)集進行任務調(diào)度，分析不同調(diào)度模型的調(diào)度時間和調(diào)度能耗。

3.1 小數(shù)據(jù)集實驗結果

小數(shù)據(jù)集下調(diào)度模型執(zhí)行時間實驗結果如圖3所示。

圖3 小數(shù)據(jù)集下調(diào)度模型執(zhí)行時間結果

觀察圖3可知，在任務集為800時，基于動態(tài)能量感知的云計算任務調(diào)度模型任務調(diào)度耗時為160 s，異構云算法調(diào)度模型任務調(diào)度耗時為250 s，動態(tài)優(yōu)先級和調(diào)度決策的調(diào)度模型任務調(diào)度耗時為360 s。在對小數(shù)據(jù)集進行任務調(diào)度時，本文提出的任務調(diào)度模型耗時較少?；趧討B(tài)能量感知的云計算任務調(diào)度模型在調(diào)度過程中采用順序執(zhí)行策略。所以的云計算任務依次執(zhí)行，因此任務調(diào)度數(shù)據(jù)集與任務調(diào)度時間基本呈現(xiàn)線性關系?；诋悩嬙扑惴ǖ脑朴嬎闳蝿照{(diào)度模型在調(diào)度過程中在前期調(diào)度過程相對平穩(wěn)，調(diào)度時間較少，但是隨著任務的增加，調(diào)度模型的調(diào)度結果出現(xiàn)波動，花費的調(diào)度時間也不斷增加。本文提出的調(diào)度模型雖然也引入了順序排序，但是在調(diào)度過程中充分分析了任務長度，利用處理器提高調(diào)度速度，因此花費的調(diào)度時間更短。

調(diào)度能耗實驗結果如圖4所示。

圖4 小數(shù)據(jù)集下調(diào)度能耗實驗結果

根據(jù)圖4可知，在任務集為800時，基于動態(tài)能量感知的云計算任務調(diào)度模型能耗為175 kW/h，異構云算法調(diào)度模型能耗為260 kW/h，動態(tài)優(yōu)先級和調(diào)度決策的調(diào)度模型能耗為290 kW/h?？梢钥闯霰疚奶岢龅恼{(diào)度模型任務調(diào)度能耗相對較少，傳統(tǒng)調(diào)度模型采用的調(diào)度方法為順序執(zhí)行調(diào)度方法，因此當調(diào)度數(shù)據(jù)集到達一定水平后任務調(diào)度模型會啟動虛擬機，每一個調(diào)度任務對應一臺虛擬機，因此調(diào)度能耗過多。而本文提出的調(diào)度模型利用動態(tài)能量感知對虛擬機進行優(yōu)化，確保一個虛擬機可以與多個調(diào)度任務協(xié)調(diào)，有效減少調(diào)度能耗。

3.2 大數(shù)據(jù)集實驗結果

本文提出的大數(shù)據(jù)集共有3類，分別是DAS2-fs4、LINL-T3D和KTH-SP2，得到的調(diào)度模型調(diào)度時間如圖5所示。

圖5 大數(shù)據(jù)集調(diào)度模型調(diào)度時間實驗結果

在對3種調(diào)度數(shù)據(jù)集進行調(diào)度時，本文提出的調(diào)度模型花費的調(diào)度時間最短，隨著能量感知的不同，調(diào)度模型花費的時間也有所不同，但總體上，本文研究的調(diào)度模型處理優(yōu)勢更加明顯。

調(diào)度能耗實驗結果如圖6所示。

圖6 大數(shù)據(jù)集調(diào)度模型調(diào)度能耗實驗結果

由圖6可知，基于動態(tài)能量感知的云計算任務調(diào)度模型對DAS2-fs4數(shù)據(jù)集調(diào)度能耗略高于異構云算法調(diào)度模型，能耗為4 000 kW/h。對LINL-T3D和KTH-SP2數(shù)據(jù)集進行調(diào)度時的調(diào)度能耗均為3種方法的最低值。本文提出的調(diào)度模型調(diào)度能耗在對DAS2-fs4數(shù)據(jù)集調(diào)度能耗要低于傳統(tǒng)的異構云算法調(diào)度模型，但是對LINL-T3D和KTH-SP2數(shù)據(jù)集進行調(diào)度時，花費的調(diào)度能耗更少，更適合實際應用中。

綜上所述，無論是對大數(shù)據(jù)集還是小數(shù)據(jù)集，本文提出的基于動態(tài)能量感知的云計算任務調(diào)度模型在對任務進行調(diào)度時，花費的時間都最短，調(diào)度能耗都最低，因此調(diào)度能力更強，調(diào)度效果更好。

4 結束語

本文提出基于動態(tài)能量感知的云計算任務調(diào)度模型，實現(xiàn)了高效率、低能耗的資源分配和任務調(diào)度，通過實驗驗證了本文研究的云計算任務調(diào)度模型的性能較好，對維護網(wǎng)絡資源分配服務器的穩(wěn)定運行、保證高效率的網(wǎng)絡資源共享和應用具有重要意義，同時能夠促進動態(tài)能量感知技術的云計算技術的進一步發(fā)展和應用。

受網(wǎng)絡環(huán)境的影響，本文所設計的云計算任務調(diào)度模型可能在某些網(wǎng)絡不穩(wěn)定或無網(wǎng)絡地區(qū)的適應性不強，其資源分配和任務調(diào)度的穩(wěn)定性還需進行進一步的研究和探索。