基于綠色云計算的能耗優化與資源分配研究

林天高 馬景奕

摘要：任務調度和資源分配是云計算的兩大關鍵技術，資源分配決定著資源使用規則，關系到云計算的執行效率和并發處理能力。針對綠色云計算中的資源管理與調度過程，在Map Reduce調度模型基礎上，設計一種并行Map Reduce資源分配算法。實驗結果表明，該算法在能耗優化和執行時間方面都優于Map Reduce算法。

關鍵詞：綠色云計算； 能耗優化；動態資源分配

DOIDOI：10.11907/rjdk.161149

中圖分類號：TP303

文獻標識碼：A 文章編號：1672-7800（2016）005-0007-03

0 引言

近年來，物聯網、車聯網、云計算、大數據、量子通信、深度學習等新技術層出不窮[1]。據權威雜志統計，數據中心的能耗成本已經占到運營成本的50%[2]。云計算數據中心設施具有高彈性和虛擬化等特征。數據中心能量消耗嚴重，已經成為影響云計算技術大面積推廣的主要障礙和難題[3]。通過應用云計算虛擬化技術，可以極大降低主要設備能耗[4]。

云計算平臺是一種基于云計算基礎設施和并行架構、通過互聯網部署的、以服務形式交付的IT資源池[5-6]。云計算用戶可以在任何時間、任何地點，隨時隨地按需獲取計算、存儲、軟件、應用、網絡等各種IT資源。

1 云計算基本特征及應用

云計算是在網格計算技術的基礎上逐漸發展起來的，在全球范圍內已經得到廣泛應用。云計算是大數據在21世紀的典型應用，其以IT資源交付、共享為核心，是一種IT資源配置、交付和管理模式的創新，其資源的匯聚、交付、共享、管理都是基于云計算平臺展開[7]。 云計算技術是以服務為導向的商業模式創新，以服務模式創新為核心理念和發展模式。

云計算若按照行業應用分類可以歸納為：教育云、醫療云、金融云、工業云、政務云等[8]。教育云是指在教育領域，以云計算技術為依托，在現代遠程網絡教育的基礎上，通過構建區級/縣級數據中心，而構建起來的一種新型泛在學習模式。教育云通過有效整合軟硬件教育資源，對教師的教學能力和學生的學習方式都是一個巨大的變革。醫療云是在醫療護理領域采用云計算相關技術和服務理念構建醫療保健服務系統。政務云是云計算在政府門戶網站建設、政務領域應用的系統建設 [9]。金融云是指利用云計算技術將金融機構的數據中心與客戶端應用整合到云計算體系架構之中，達到降低運營成本的目的[10-11]。

2 能耗優化與資源分配

云計算的對象規模大，資源與用戶需求各異，且數量巨大，所以系統每時每刻都要處理海量數據，任務調度和資源分配是云計算的重點和難點，更是云服務質量高低的重要影響因素。云計算中的資源分配和調度是云計算研究的關鍵問題之一。

云計算資源調度通常根據一定的資源使用規則，在不同資源使用者之間進行資源調度和任務分配。目前，資源調度策略大多數通過虛擬機級別上的調度技術結合一定的調度策略為虛擬機內部應用作資源調度。由于這些調度算法的時間復雜度和空間復雜度比較高，導致算法運行效率比較低，算法整體性能不理想。傳統資源分配方法大都采用預分配的靜態資源調度算法，這種算法已經不適應云計算資源的異構性、動態性等特征，而且資源負載能力是動態變化的。國內外云計算資源分配領域研究主要集中在啟發式仿生算法、負載均衡機制與時間跨度最小化原則、能耗最小化與能耗均勻化管理等方面。圖1為 Map Reduce 調度模型。

（1）Job Tracker 兩個主要的功能分離成單獨的組件，分別用來進行資源管理和任務調度/監控。

（2）資源管理器將系統調度過程中的所有資源進行全局管理，并對所有資源進行分配，每一個應用的 Application Master 主要負責相應的資源調度和協調等基本工作。一個應用程序是一個單獨的傳統的 MapReduce 任務或者是一個 DAG（有向無環圖）任務。

（3）每一個應用的 Application Master 是一個詳細的框架庫，它結合從 Resource Manager 獲得的資源和 Node Manager 協同工作來運行和監控任務。

（4）Resource Manager 支持分層級的應用隊列，這些隊列集群一定比例的資源，根據資源的計算能力和動態負載能力分配適量的計算任務到該節點上，分配結束后將自動從任務等待隊列中刪除任務。同樣，它不能重啟因應用失敗或者硬件錯誤而運行失敗的任務。Resource Manager 是基于應用程序對資源需求進行調度，每一個應用程序需要不同類型的資源，因此需要不同的容器。

3 實驗測試與結果分析

針對綠色云計算中資源管理與調度過程，在Map Reduce 調度模型基礎上，本文設計了一種并行Map Reduce資源分配算法（Parallel Map Reduce Resource Allocation Algorithm， PMRRAA）。PMRRAA算法的實現步驟如下：

步驟1：獲取云計算系統中計算節點相關性能參數；

步驟2：根據用戶訪問請求獲取資源需求參數；

步驟3：利用Map Reduce資源分配過程，并發訪問云計算系統各個計算節點；

步驟4：在云計算系統中選擇計算節點參數符合資源需求參數的計算節點，并將所選計算節點的資源分配給所述用戶，用于執行相應的訪問請求。

步驟5：將用戶請求從等待隊列中刪除，資源分配結束。

本文利用CloudSim澳大利亞墨爾本大學網格實驗室云計算仿真軟件CloudSim，對PMRRAA算法和Map Reduce算法者性能進行比較。

圖3為兩種算法的能耗對比，圖4為兩種算法系統執行時間比較。通過圖3實驗結果，不難看出：本文設計的PMRRAA算法的能耗少于Map Reduce算法。圖4中，PMRRAA算法的執行時間也比Map Reduce算法少，當系統的任務數量急劇增大后，這種優勢表現得更加明顯。