基于云計算服務質量感知的虛擬機節能管理研究

李爽 ?k??

摘要：云計算是大量的虛擬化的計算機資源的服務節點，如何管理基于節能型和服務型的動態可擴展資源已成為一個重要的問題。針對這一目的，綜合大量前期工作，提出了一種改進的遺傳算法，并構造系統模型，通過使用CloudSim（云計算仿真軟件）和CloudAnalyst（云分析軟件）進行定性和定量的數據分析。同時也與傳統的動態電壓和頻率縮放 （DVFS） 做了比較，通過數據驗證證明出利用服務質量感知對虛擬機的節能管理在響應時間、能源消耗、虛擬機遷移數量及合并適應性方面都起到改進作用。表現為在相同功率條件下，新方法能降低用戶請求的響應時間，進而提高了用戶的服務質量；在相同的響應時間內，新方法又能有效的降低能量功耗。這些改進都能提高用戶對服務質量的滿意度，同時也為未來使用并行計算技術打下了基礎。

關鍵詞：云計算； 負載平衡； 節能感知；資源分配；CloudSim；CloudAnalyst

中圖分類號：TP39文獻標識碼：ADOI：10.3969/j.issn.10036199.2017.01.031

1簡介

云計算的發展基于面向服務的體系結構、 網格計算、 并行計算和分布式計算等，這是一個新的脫穎而出的模式，是以高效的為用戶提供服務為前提的模式[1]。由于它的如基礎設施服務 ，平臺即服務和軟件即服務的卓越性能，云計算被人們廣泛的接受并使用。通過不斷提高了用戶的使用效率，同時向不同的消費層次提供各項服務，云計算環境已經成為數據中心的主要力量。

云計算中降低數據中心的能源消耗是一個具有挑戰性且復雜的問題，這需要性能卓越的服務器。節約能源對于確保未來云計算是可一種持續的資源是相當必要的[2]。近些年綠色計算的宣傳提出解決這一問題的很多辦法，其中許多工作基于功率效率（電源效率）展開，如節能處理器，硬件支持DVFS技術等，也有其他方法來降低虛擬數據中心的能源消耗[3]。通過虛擬化技術可實現軟件應用與底層硬件相隔離，它包括將單個資源劃分成多個虛擬資源的裂分模式，也包括將多個資源整合成一個虛擬資源的聚合模式[4]。當虛擬機上運行的移動信息從一個網絡節點到另一個網絡節點時，需要應用虛擬機的快速遷移技術來平衡工作所產生的負載。

虛擬機管理是提高云計算數據中心效率的關鍵問題。許多研究工作都圍繞這個問題展開，不同的資源分配策略會導致不同的成本和效率水平[5]。因此，如何找到一個高效的資源分配策略，特別是針對有限的能源的分配，同時消耗較低的能源消耗，這是一項艱巨的任務。

這篇文章當中，我們提出了一種改進的遺傳算法，該算法重點研究考慮網絡延遲和能源消耗的動態資源管理。我們認為在云計算環境中的用戶的服務質量是非常重要的，因此應答時間也是這個實驗的關鍵點。這篇論文的貢獻在于以下倆點：第一，在相同功率條件下，我們的方法降低了用戶請求的響應時間，提高了用戶的服務質量；第二，在相同的響應時間內，我們的方法又能有效的降低能量功耗。

計算技術與自動化2017年3月

第36卷第1期李爽：基于云計算服務質量感知的虛擬機節能管理研究

2研究背景和相關工作

在云計算中，能量感知一直是研究的一個重點內容。近期的研究方式是通過關閉不活躍的服務器來達到節約能源的作用。文獻[6]定義了一個高效節能云計算解決方案的體系結構框架和原則，然后又介紹了高效節能管理的虛擬機分配算法。王曉瑩等[7]提出的資源分配和使用可變時工作負載和異構多級應用的能源管理的自適應模型方法。根據文獻[8]的論述，該作者使用新的自適應粒子游動來優化的虛擬機配置，以使空閑服務器的處于省電狀態。

很多工作圍繞負載平衡結合若干的途徑能解決節約能源的問題。前人通過使用關閉計算機電源的方法并不能起到根本的作用，且此種做法只能在理論層面實現。在文獻[11]中，作者建議使用局部優化的隨機爬山算法來動態分配進入服務器和虛擬機的工作。文獻[12]解決了在云計算環境下基于使用映射-規約編程模型的資源管理問題。趙劍鋒等人的論文[8]將資源調度模型轉化為具有負載均衡目標的有向化多背包問題。文獻[14]提出了一種資源調度模型，它使用的概念資源服務比率作為目標函數，而不是任務完成時間，然后采用分布估計算法（EDA）做了驗證。研究者通過大量的實驗證明了他們提出的調度模型比EDA的資源服務比率算法的效率平均提高了至少1.004，最多1.793倍。

3利用改進遺傳算法的資源配置

為了節約能源和提升用戶的響應時間，在這部分中，我們首先描述一個系統的模型，然后我們介紹能源損耗的定義，最后，我們提出一種采用改進能量功率的遺傳算法的優化算法。

3.1系統模型

本文定義的系統模型與以往有倆種不同：首先，不同于大多數的節能系統如在文獻[6][7]中提到的，注重考慮CPU和RAM的負載平衡，本文著重從用戶方面考慮網絡延遲和應答時間；第二，云計算可以跨越不同的地理數據中心，所以與文獻[10]認為數據中心是一個單一的物理位置不同，我們假設數據中心分布在多個地區。

在本文的系統模塊中，數據中心層是由不同地區的物理網絡連接的，如圖1。每一個地區的數據中心一般是由N臺如計算機、服務器這樣的等獨立機器組成的節點集，這些個獨立的機器集合被描繪成集合 P= {pm1， pm2， … ， pmN}。這些節點集的通訊是通過全互聯通訊子系統（如圖1）連接的。節點集中每一臺節點機器都是獨立的，可以單獨的打開或關閉。在每一臺機器上，都安裝了基于內核的虛擬機虛擬化軟件，可以運行N個獨立的虛擬機管理程序集，這個集合被表示為集合V= {vm1， vm2， …， vmM}。在這個模型中，個人機上面運行的虛擬機管理系統可以被終止、重啟、或從其他個人機集合中遷移。如圖1中的虛線所示，就像在許多系統中，當執行一個接收資源的任務時，消息可以從一臺機器傳播到另一臺機器。當虛擬機管理集向其他地區移動的時候，我們的模型需要考慮延遲時間。

4實驗結論

在這部分中，我們以云分析（cloudAnalyst）基準的評估價值來測量相應時間和能量消耗。

4.1實驗環境和設置

考慮到CloudSim和CloudAnalyst是在公開資源已被廣泛的使用開放源碼，我們選擇它們作為基準來仿真實際執行的情況。CloudSim [12]支持新興的云計算領域的研究和開發，并提供了以下新的特點：（1）支持大規模的云計算基礎設施的建模和仿真，包括一個單一的物理計算節點上的數據中心；（2）它是一個用于數據中心建模，代理服務器，調度和分配政策的獨立平臺。CloudSim眾多的特性中有如下倆點是本次實驗的基本點：（a）有助于創建和管理多個、獨立的和共同托管的虛擬化服務在數據中心節點上的虛擬化引擎的可用性。（b）在處理內核的空間共享和時間共享分配之間切換到虛擬化服務的靈活性。CloudAnalyst[13] 是墨爾本大學開發的研究項目，目的是根據用戶和數據中心的地理分布，去評估社交網絡工具的支持率。在這個項目中，用戶群和支持社交網絡的數據中心都是有一定特點的，那就是都基于他們的位置；而用戶體驗的參數，是可以通過使用社會網絡應用程序和數據中心的負載來獲得的記錄[14]。

在這個實驗中，我們設置了六組用戶基數（如表1）。其中“Name”列代表世界六大洲，在不同地區每組用戶都是包含在同一個時區，而且每一分鐘都會發出新的請求。峰值的時間從3到9。這里假定為十分之一的時間是在非繁忙時間的線路上。每個模擬數據中心的主機由5臺虛擬機機構成，配置了512M的內存，10G存儲和1000兆的帶寬。

4.2實驗結果與分析

如4.1部分中提到的場景和配置，我們的模擬實驗從兩個方面著手：第一、我們證明了網絡延遲影響用戶的響應時間。第二、我們的算法與DVFS[15，16]從相應時間，能量消耗，虛擬機集的數量和合并適應性方面進行比較

為了在用戶響應時間方面提高服務質量，我們分三種情況監測：首先，我們使用一個0區域的數據中心DC1，我們得到的結果總體平均響應時間是292.05毫秒，數據中心處理時間是0.28毫秒。第二，我們使用區域0、1、2的三個數據中心作為用戶基數區域，結果如圖3（a）所示。最后，我們在每個區域都部署一個數據中心，結果如圖3（b）所示。通過這個實驗，我們可以得出結論：

（1）當數據中心虛擬資源的數量減少時，響應時間可以大大減少；同時，處理器處理任務的時間不會節省很多。

（2）能源消耗與任務完成時間不成比例。根據以往的經驗，我們假設一個毫秒的能量消耗是k，那么平均的能源消耗應該是292.05k < 158.72k*3 （圖3a） >50.08k*6 （圖3b）。

圖3（a）使用三組數據中心

圖3 （b）使用六組數據中心

圖3實驗結論對比圖

本文算法與DVFS算法的比較，如圖4所示，a圖是響應時間，b圖是能量的消耗，c圖是虛擬機遷移的數量，d 是合并適應性。我們模擬實驗的結果比其他兩種方法節約了更多的能量，尤其體現在：

（1）通過圖4（a）中所示，第1組和第2組測試，我們的算法與DVFS幾乎有相同的響應時間，主要原因是因為在開始的虛擬機集中的數據量比較少；在第3組和第4組數據中，我們的算法的響應時間高于DVFS；在接下來的實驗中，我們的算法比DVFS慢了一些，主要是因為虛擬機集在不同地區遷移，而DVFS并沒有考慮這個因素的影響，所以當小云朵的數量增加到2000的時候，DVFS算法的響應時間下降了。

（2）通過圖4（b）的表示可知，我們的算法比DVFS節約更多的能源，當虛擬機集的數量比較大的情況下，我們的算法優勢明顯。

（3）通過圖4（c）中描述，我們的算法數據遷移的數量更少。

（4）通過圖4（d）中的結果表明，在合并適應性方面，我們的算法勝過DVFS算法。

（a） 響應時間

（b）能量消耗

（c）虛擬機遷移數量

（d）合并適應性

圖4本文算法 與DVFS算法比較圖

5結論和展望

在這篇論文中，提出一種在云環境下優化分配動態資源的方法。主要工作集中于在云計算中的能量和響應時間，在CloudSim應用和CloudAnalyst基準的幫助下，我們證明了該算法的優勢所在。根據我們的實驗數據，我們的實驗有倆點優勢：它在減少數據中心的能源消耗以及給云計算提高綠色平臺方面起到了重要作用，第二，我們使用負載平衡改進了響應時間。這個工作也主要考察了能量消耗和響應時間，我們未來的工作主要將在研究性能集成其他參數，如CPU、內存和網絡。此外，未來我們將使用并行計算技術改進我們的方法。

參考文獻

[1]李小六，虛擬化云計算數據中心能量感知資源分配機制[J]，計算機應用，2013，33（ 12），86-90 .

[2]王金海，一種基于能量感知的云計算環境下虛擬機部署策略[J]，新疆職業大學學報，2014，22（1），73-76.

[3]英昌甜，云計算環境下能量感知的任務調度算法[J]，微電子學與計算機，2012，29（5），188-192.

[4]鐘瀟柔，基于動態遺傳算法的云計算任務節能調度策略研究[D]，哈爾濱工業大學，2015.

[5]侯偉，云計算中基于遺傳算法的能效管理研究[D]，武漢理工大學，2013.

[6]BELOGLAZOV A，ABAWAJY J，BUYYA R.Energyaware resource allocation heuristics for efficient management of data centers for Cloud computing[J].Future Generation Computer Systems， Volume2012，28：758-760.

[7]WANG Xiaoying DU Zhihui，CHEN YiNong .An adaptive modelfree resource and power management approach for multitier cloud environments[J].Journal of Systems and Software，2012，85：163-168.

[8]JEYARANI R，NAGAVENI N，VASANTH R R，Design and implementation of adaptive power-aware virtual machine provisioner （APA-VMP） using swarm intelligence[J].Future Generation Computer Systems， Volume，2012，28：811-821.

[9]SHARIFI M，SALIMI H，NAJAFZADEH M.Powerefficient distributed scheduling of virtual machines using workload-aware consolidation techniques[J].Journal of Supercomputing，2012，1（61）：46-66.

[10]MONDAL B，DASGUPTA K，DUTTA P.Load balancing in cloud computing using stochastic hill climbing-a soft computing approach[J].Procedia Technology，2012， （4）：785-786.

[11]HUANG Chennjung，GUAN Chihtai.An adaptive resource management scheme in cloud computing[J].Engineering Applications of Artificial Intelligence，2013， 26（1）：382-389.

[12]WANG Rui，BAI Qinghua，BAI Youjia，et al.Research on Semantic Metadata Model for Information Resource Management under Cloud Computing Environment[J].JCIT： Journal of Convergence Information Technology，2012，7（21）：658-661.

[13]CHEN Danwei，ZHANG Ji，XUE Qinghan.Virtual Resources Scheduling Model for Cloud Computing[J].JCIT： Journal of Convergence Information Technology，2012，7（23）：658-661.

[14]ZHAO Jianfeng，ZENG Wenhua，LIU Miu，et al.A model of Virtual Resource Scheduling in Cloud Computing and Its Solution using EDAS[J].JDCTA： Journal of Convergence Information Technology，2012，6（4）：105-107.

[15]The CloudSim Team， http：//www.cloudbus.org/cloudsim[DB/OL].2009.

[16]葉可江，吳朝輝，姜曉紅，等， 虛擬化云計算平臺的耗能管理[J].計算機學報，2016，（6）：1264-1279.