動態數據聚集算法的綠色云計算數據中心分析

摘要：動態數據聚集計算方法主要包括節點聚集、數據聚集兩個方面的內容，實現了綠色云計算數據中心系統的統籌管理，結合不同時段節點和數據的使用情況，將數據集聚起來，重新部署各數據節點，逐步實現了有序化聚集，保證了計算儲存節點可持續正常運轉。本文通過仿真實驗，詳細的分析了該算法的各項性能，總結與探討了面向綠色云計算數據中心的動態數據聚集算法的重要意義。

關鍵詞：綠色云計算 數據聚集 能耗 數據中心

中圖分類號：TP393.02 文獻標識碼：A 文章編號：1007-9416（2016）10-0135-03

云計算（cloud computing）是一種借助網絡平臺集聚各類虛擬化計算資源，并通過數據中心供給多租客或單一用戶性價比較高、動態、彈性規模擴展的信息存儲、信息計算等服務方式[1]。云計算轉變了傳統信息架構，引進了全新的運作模式，逐漸成為國內外各領域、各行業爭相關注的重要問題。據相關統計顯示，云應用程序所部署服務器數量超出原有應用程序的4倍，在數據中心的運營成本中，能源消耗費用所占比重較大，約為43.35%。因此，云計算數據中心的節能降耗成為了重中之重，能耗管理應兼顧服務質量和“綠色”兩項要求[2]。本文詳細分析了云計算數據中心的相關工作，基于其運行模式，提出了面向綠色云計算數據中心的動態數據聚集算法。

1 動態數據聚集算法的相關概念界定

近年來，對云數據中心的研究已進入白熱化階段，目前已提出了三個階段數據布局的策略，主要通過跨數據中心的數據傳輸、全局負載均衡及數據依賴關系三項指標，來優化、求解數據布局方案。與此同時，還總結了云計算數據中心所面臨的資源管理問題，致力于網絡寬帶靈活性和吞吐量的有效提高。根據云計算數據中心的網絡拓撲設計，以Fat-tree、BCube為主要結構，設計出了云計算方法，其具有直徑小、連通性強的特征，逐步形成了一種可拓展性較強的拓撲網絡結構。[2]

結合云計算數據中心的實際情況，發現該系統的主要能耗來源有以下幾方面的內容：（1）電源供應、服務器、互聯網等設備所帶來的能源消耗。這一系列設備能耗約占總能耗的23%；（2）溫控設備，包括水冷、風冷設備等所產生的能源損耗；（3）云計算數據中心照明設備帶來的能源損耗，此設備能耗比例小。電源使用效率會對云計算數據其中心能源使用情況產生影響。電源使用率（PUE）指的是數據中心所消耗的總能源和IT負載消耗呈現的比值，電源使用率越接近1，云計算數據中心的綠色化程度越強。溫度控制設備負荷由計算機主機、外部輔助設備等所產生發熱量組成，存儲設備、服務器設備與網絡設產生的發熱量所占比重較大。云計算數據中心具有一定的優勢，其充分利用了虛擬化技術，減少了物理服務器，進而實現節能減排。通過上述內容可得知，在相同任務的執行過程中，如何既有效確保QoS，還能夠將數據中心總體能耗有效降低則是“綠色云計算”實現極為關鍵的條件。[3]因此，需要采取相應措施對云計算中心數據進行改進，在最大限度降低能耗的同時，提高工作效率與服務質量，實現云計算數據中心的可持續發展。其中，動態數據計算法作為減少能耗的有效方法，對于云計算數據中心的綠色發展而言起到了至關重要的作用。

2 動態數據聚集算法

2.1 能耗分析

在云計算數據中心的節能減排工作中，通常存在以下幾點問題：

2.1.1 數據部署和任務調度

云計算數據中心的任務調度忽視了能源消耗問題。以Hadoop開源云計算項目為例，該系統采用了多種調度方法，包括公平調度方法、先來服務算法、計算能力調度算法等，都忽略了系統能源損耗問題，太過側重訪問效率、存儲空間、可靠機制等問題，忽視了數據訪問規律。

2.1.2 溫度控制

云計算數據中心缺乏有效的溫度控制，無法根據運行設備的實際情況進行有效管理，造成各項資源的大量浪費。

2.1.3 認知問題

云計算數據中心所指定的節能措施僅針對設備本身的功能耗費，實際上設備功能消費與設備性能呈負相關，難以得到改進；同時，部分數據中心地處嚴寒地區，太過依賴于外界環境，為了引入室外空間，應盡量避免人工制冷。

2.2 云數據模型

從用戶的視角來看，云計算系統可分為四種：

（1）當用戶提出任務請求時，云計算服務器應主動提供相應程序、數據及信息等，與搜索引擎極為相似；

（2）若用戶的任務請求中涉及相關程序，由用戶主動提供，數據由云計算服務器提供。系統通過將用戶所提供程序遷移到服務器客戶端，在將客戶端信息及數據進行利用與計算，在完成用戶所請求任務后將結果發送至用戶端；

（3）若用戶的任務請求中涉及相關數據，由用戶提供，相應程序可由云計算提供，系統通過將用戶所提供數據遷移到服務器客戶端，在將客戶端信息及數據進行利用與計算，在完成用戶所請求任務后將結果發送至用戶端；

（4）若用戶的任務請求中涉及相關數據及程序，均由用戶提供，而存儲、計算等設備由云計算系統提供，將程序、數據遷移后，完成指定任務，并反饋結果到客戶端。

2.3 算法描述

系統的總功耗（）主要由靜態功耗（），動態功耗（）、溫控功耗（）三個部分組成。雖然部分設備的具體功耗模型不同，但是大多能符合多項式分布：

靜態功耗是指系統未執行任何任務時所消耗的能源；s是指任務執行點的工作速率，當系統的動態功耗發生變化時，s也會隨之變化，可表示為（s）=>1。當工作中任務執行點負載加重時，其工作速率則會不斷提高，任務執行點各部件溫度隨之顯著升高。為了保證各部件溫度處于安全范圍以內，溫控功耗無疑會大大增加。此外，溫控功耗還會受到制冷能效比（eer）與空間因素（r）等影響。假設，t為現階段環境溫度，為安全溫度上限，b為溫控基本能耗。

則可得：

從上式可知，制冷能效比（eer）越高，（s）則越低；空間因素（r）越大，（s）則越高。設備的制造工藝決定著制冷能效比（eer）的高低，這一參數較為恒定。在制冷策略中，如果其環境溫度控制具備較強的針對性與精確性，則可有效控制制冷能耗。[4]

由于降低功耗不等于降低總能耗，因此判斷系統是否“綠色”不能僅依靠功耗這一個指標[5]。例如要減少系統能耗，可選擇降低工作速率，但是相應會拖長事務處理時間，此時系統總能耗并沒有發生較大改變。

因此，計算系統總能耗應當重視兩個關鍵因素，即功耗與時間，計算式為：

為了使云數據中心能在服務高峰其穩定承受負載，保障系統穩定性，在對系統進行設計與構建時必須留有一定余量。但是在非高峰期，部分節點處于空轉狀態，仍舊浪費部分能源。在不同時間段，數據中心每個節點的負載情況有所不同，并不容易實現精確溫控，致使有效制冷量低于50%。因而需進行熱力學散熱模型的構建，通過功耗分配策略及對集群功耗進行實時監控來實現對溫控制冷環境的精準控制。

該算法是將數據與節點進行重新分布或有序聚集，進而實現云數據中計算存儲節點的有效利用，同時還可使未得到利用的節點處于關機狀態或休眠狀態，溫控設備則處于關閉狀態或待機狀態，從而最大限度的節省能源消耗，促進綠色節能目標的實現。這一算法具有明顯的優勢，1）數據和節點聚集之后，極易造成部分區域節點耗能與工作符合加大，另一部分區域可完全處于休眠狀態，以避免整體能耗的降低；2）數據和節點聚集之后，節點在系統運行時達到高負載狀態，從而實現資源利用率的有效提高，并且在相互備份的作用下，實現不間斷訪問數據，有效保障云計算數據中心的安全運行。除此之外，利用動態數據聚集算法，還可使各節點實現輪轉運行，在極大程度上提高了意見設備的工作穩定性及其使用壽命。[6]

3 仿真實驗分析

3.1 仿真實驗

本文模擬構建的數據中心為廉價節點構成，其功耗實測情況及節點性能參數如表1所示。

所有節點功耗總和在待機狀態下為84W；在正常關機狀態下為2.5W；在節點開關技術的關機狀態下為0W；在最大負荷工作狀態下為138W；在負載50%以下為124W。

節點通常反復處于三種狀態，即待機、工作、關機。其中，待機狀態是指機器僅通過主板維持內存數據的保存和記錄機器其他設備狀態，此時CPU、硬盤等沒有工作。然而，即使處于待機狀態，節點功耗仍然較大。在傳統技術中，僅從避免“由于數據無法訪問，導致用戶滿意度下降”的角度對任務調度和數據部署的數據中心進行設計，而忽視節能問題，導致大量節點處于空耗的待機狀態。在關機狀態下，節點功耗非常低，空耗部件主要是電源線等，可忽略。

在數據中心的溫控系統中，區域是溫控系統覆蓋的最小控制單位。1個區域由4個機架構成，1個機架上存放8個節點。每個區域的制冷量由溫控系統設定，一般為8kW，其制冷能效比可達到“能源之星”標準，制冷功耗在2.5kW左右。[7]

本次實驗將數據中心劃分成4個Section，并將數據中心數據在聚集前后所產生的不同能耗進行對比，將24h作為1個實驗周期。節點能耗和溫控系統的能耗為數據中心4個Section的主要能耗組成部分，合計為773.72kW·h（如表2所示）。

每一個機架的節點能耗情況都有所不同，如表3所示Section 1中某一個機架的節點能耗情況。

當數據聚集并且運行一段時間以后，數據中心的能耗情況會產生較大變化（如表4所示），主要包含溫控系統能耗與節點能耗，合計為476.44kW·h。

3.2 性能分析

上述實驗結果表明，節點上所部署數據聚集前因部署不規范導致訪問熱點過于散亂，從而致使系統中大部分節點都沒能得到有效利用。尤其是當許多節點長時間處于待機狀態卻不能關閉時，仍然占有較大功耗，不僅形成熱負荷環境，溫控系統還需對其進行持續降溫，以避免更大能源浪費。若系統總能耗達到773.72kW·h，僅制冷能耗便遠超300kW·h。

數據、節點聚集之后可以發現，部分節點工作負荷顯著上升，而功耗也隨之快速上升。部分時段即使未加制冷消耗，部分Section其節點總功耗依然與峰值極為接近。同時，部分Section一定程度上消除服務器的待機空轉狀態，僅剩電源線等設備或造成少量能源消耗，從而減少了較大熱負荷，并且溫控設備不用持續對Section實施降溫，進行成功實現對大量能源的節約。經過對比我們可以發現，在數據和節點聚集之后，1周期內的系統總能耗僅達到聚集前的58.8%，節約大量能耗。[8]

3.3 資源利用率與服務質量

基于用戶請求規模一致，數據中心在應用數據聚集算法前后總資源利用率差別不大。但以具體節點為基礎，數據聚集后，開機運行時節點達到高負載狀態，可得以充分利用；若波態運行達到低谷時段，則節點負載狀態相應降為0。

若波態運行達到高峰時段，則節點負載明顯上升，此時若運用傳統的時間片輪轉調度算法則會知識用戶響應時間延長。若用戶設置了節點訪問量閾值β則影響較小，且此時系統不會由于部分節點產生變化而出現諸如數據無法訪問等現象，上述現象主要是由于動態數據聚集算法對運行規律相反節點互補現象的充分利用得以實現的。[9]

3.4 硬件設備穩定性

“服務器必須具備2h*7d的不間斷運行能力”，在傳統數據中心的性能中，這一性能被反復強調，同時要求數據中心一直處于低溫狀態，這就對服務器各部件的制造技術有較高要求。但是現階段，大量云計算數據中心以成本角度為基礎，側重廉價節點的應用。但廉價節點難以保持長時間的穩定運行，因而構建時需要通過系統云計算數據中心節點故障、節點損壞來將其設置為常態。動態數據聚集算法使數據中心節點可進行間歇性輪轉運行，有助于設備使用壽命的有效延長、提高系統穩定性、保護用戶長期的投資。[10]

4 結語

綜上所述，云計算數據中心的節能降耗作為一項十分重要且復雜的工作，涉及到多個層面、多方面因素，需要相關部門和技術人員的積極配合和共同努力，從數據中心任務部署或調度入手，逐步實現數據中心各項數據或節點的集聚，統籌管理和規劃，進而準確控制云計算數據中心的能源消耗，使云計算數據中心逐步走向綠色節能的道路。筆者希望，更多專業人士能夠投入該課題的研究，文中不足之處，望指正。

參考文獻

[1]FRIGIONI D，MARCHETTI-SPACCAMELA A， NANNI U. Semidynamic algorithms for maintaining single-source shortest path trees [J]. Algorithmica， 1998， 22：250-274.

[2]FRIGIONI D，MARCHETTI-SPACCAMELA A， NANNI U. Fully dynamic output bounded single source shortest path problem [C]//Proceeding of ACM-SIAM Symposium on Discrete Algorithms （SODA96）. Atlanta， Georgia： ACM， 1996：212-221.

[3]Castelluccia C，Mykletun E，Tsudik G. Efficient aggregation of encrypted data in wireless sensor networks.In：Proc. of the 2nd Annual Intl Conf.on Mobile and Ubiquitous Systems.San Diego： IEEE Press，2005.109-117.

[4]徐小龍，楊庚，李玲娟 等.面向綠色云計算數據中心的動態數據聚集算法[J].系統工程與電子技術，2012，34（9） 1923-1929.

[5]郭建波.動態數據聚集算法探究--以綠色云計算數據中心為研究方向[J].中國信息化，2013，（4） 108-109.

[6]肖艷文，王金寶，李亞平等.云計算系統中能量有效的數據擺放算法和節點調度策略[J].計算機研究與發展，2013，50（z1） 342-351.

[7]肖艷文.云計算系統中能量有效的數據擺放算法和節點調度策略的研究[D].2013.24-30.

[8]RAMALINGAM G， REPS T. An incremental algorithm for a generalization of the shortest-path problem [J].J. Algorithms， 1996， 21：267-305.

[9]He W，Liu X，Nguyen H，Nahrstedt K，Abdelzaher T.PDA：Privacy-Preserving data aggregation in wireless sensor networks.In： Proc.of the 26th IEEE Intl Conf.on Computer Communications. Alaska：IEEE Press，2007.2045-2053.

[10]Yang Y， Wang X， Zhu S， Cao G. SDAP： A secure hop-by-hop data aggregation protocol for sensor networks. ACM Trans. on Information and System Security， 2008，11（4）：18.

收稿日期：2016-09-08

課題來源：河南省科技廳2016年度河南省科技攻關計劃（社會發展領域）立項項目“《大數據時代“智慧司法云”社區矯正綜合管理平臺設計與應用》”（課題編號162102310377）；河南省教育廳2016年度高等學校重點科研項目計劃“《“智慧社區”司法云平臺網絡空間建設》”（課題編號16B520013）；河南司法警官職業學院2015年院級項目課題《大數據時代“智慧司法云”矯正幫扶平臺建設與應用》（課題編號2015-YB-02）。

作者簡介：倪斌（1983—），男，漢族，河南鄭州人，碩士，一級警司，講師，研究方向：網絡安全、信息安全。