基于能耗降低的虛擬機動態遷移算法

, ,

(1.華東理工大學計算機科學與工程系,上海 200237; 2.上海市計算機軟件測評重點實驗室,上海 201112)

基于能耗降低的虛擬機動態遷移算法

李飛標1,2,虞慧群1,范貴生1

(1.華東理工大學計算機科學與工程系,上海200237;2.上海市計算機軟件測評重點實驗室,上海201112)

在云計算環境中,有效的虛擬機動態遷移算法有助于降低能耗和SLA違反率。本文提出了一種改進的虛擬機動態遷移算法,通過雙閾值策略、基于最小遷移代價的虛擬機選擇策略和目標物理節點的概率選擇策略來降低能耗,并降低SLA違反率。仿真實驗表明,該方法在虛擬機動態遷移中能夠降低系統的能源消耗,同時也降低了SLA違反率。

云計算; 虛擬機; 動態遷移算法; 能耗;SLA違反率

云計算是一種新的服務模式和商業計算模型,而云數據中心是當前云計算一個非常重要的應用形式,它基于云計算架構,并以松耦合形式提供計算、存儲和網絡資源。同時,各類物理資源采用虛擬化技術,以保證整體具備較高的綠色節能能力。其中,比較常見的應用是將數據中心的集群服務器采用虛擬化技術為用戶提供按需租用服務,包括租用服務器、網絡、存儲等資源。隨著云數據中心應用的日益廣泛,如何保證虛擬機動態遷移和配置的能力已成為當前研究的熱點[1-3]。然而隨著越來越多的服務配置到云端,使得云數據中心資源利用率并不高,存在著資源浪費和由此帶來的高能耗問題。

虛擬機動態遷移是將正在運行的虛擬機從一臺主機遷移到另一臺主機,保證系統正常運行。云環境下利用虛擬機動態遷移,以使遷移開銷最小并保證系統的性能為目標,對數據中心的服務器資源進行整合,從而提高資源的利用率,降低系統的能耗,因此具有重要的研究意義和現實價值[4]。然而目前的一些動態遷移算法大多存在著高能耗和SLA違反率較高的問題。

為了解決云計算服務規模不斷增大帶來的高能耗問題,本文綜合考慮和研究了系統的性能要求、能源消耗和整個虛擬機遷移過程等因素,提出了一種虛擬機動態遷移算法。

(1) 在遷移觸發階段,引入雙限定閾值觸發策略,即通過設定服務器負載的高閾值和低閾值,判斷服務器負載是否均達到了虛擬機的遷移條件;

(2) 在待遷移的虛擬機選擇階段,基于最小遷移代價來選擇虛擬機,即以對系統性能影響為遷移代價,選取具有最小遷移代價的方案進行虛擬機的遷移,避免遷移帶來過多的系統資源消耗;

(3) 在目標物理節點的選擇階段,綜合考慮節點的CPU計算能力和內存容量兩個性能特征,基于概率機制來選擇目標節點,避免群聚效應的發生。

1 相關工作

近年來,國內外已有不少學者對虛擬機動態遷移問題進行了研究,對于動態遷移的不同過程或者某些因素也提出了一些虛擬機動態遷移算法。例如,ST(Single Threshold)算法和DT(Double Threshold)算法,都是通過設定閾值來進行遷移,只不過DT算法是一種新的基于雙限定閾值的虛擬機動態遷移調度算法,即通過設定虛擬機遷移的總利用率上限和設定關閉物理節點的下限進行遷移操作[5]。但是DT算法只在遷移的觸發階段加入了雙閾值的觸發策略,而在待遷移虛擬機選擇和目標服務器選擇上并沒有采取相關的節能方法。在DT算法的基礎上,改進的PDT(Predicted Double Threshold)算法[6]引入了負載預測機制,即在雙閾值觸發機制的基礎上,加入了對云數據中心的負載預測機制,減少了不必要的遷移和服務器過載的發生,降低了能耗。但是由于目前的負載預測算法并不是很成熟,與實際結果可能存在偏差,各方面性能仍有提升空間。另外,LBES(Load Balancing and Energy Saving)算法[7]是一種面向負載均衡的算法,它將應用對存儲資源的需求轉換為一系列約束,再通過分析約束之間的關系選擇合適的存儲節點或者已有的調度方案,并考慮結合能量消耗,提高調度方案的復用率,維護了策略復用與節點負載之間的平衡關系,尋找到最佳的負載均衡策略,但該算法同樣限制于負載平衡的難題,節能效果不顯著而且SLA違反率高。

除了這些常見算法以外,還有的算法主要關注虛擬機內存遷移問題,利用馬爾科夫鏈預測臟內存頁,但這種算法只傳輸預測修改率低的內存頁,以期減少遷移時間,并沒有考慮其他因素[8]。

虛擬機動態遷移算法一般是在遷移觸發、遷移虛擬機選擇和目標服務器選擇階段采取策略,然而以上幾種遷移算法并沒有綜合考慮整個遷移過程,或者是整個系統性能的影響,容易造成能耗高和SLA違反率高等問題[9-10]。

2 虛擬機動態遷移算法設計

2.1虛擬機動態遷移問題描述

越來越大的云服務規模,導致云數據中心負載過大,降低了系統的資源利用率,使得能耗越來越高。有效的虛擬機動態遷移有助于減少能量的消耗,主要包括以下3個過程:

(1) 遷移觸發。設服務器集合S={s1,s2,…,sn},服務器s的資源集合smul={scpu,smem,sbw}分別表示服務器的CPU資源、內存資源和網絡帶寬資源。依據判定條件,選擇最佳時機觸發遷移。

(2) 選擇待遷移的虛擬機。設虛擬機集合為V={v1,v2,…,vm},虛擬機v的資源集合vmul={vcpu,vmem,vbw}分別表示虛擬機的CPU資源請求、內存資源請求和網絡帶寬資源請求。當遷移觸發后,在虛擬機集合V中,選擇一個遷移開銷最小且釋放資源多的虛擬機vi進行遷移。

(3) 選擇目標服務器。在目標服務器集合中,依據目標服務器選擇算法給被遷移的虛擬機vi選擇一個最佳目標服務器。

遷移的目標是為了取得更低的能耗,并保持較低的SLA違反率。由于CPU能耗是總能耗的主要組成部分,因此本文對于服務器的能耗主要關注CPU部分。CPU的能耗和利用率成正比關系,而且由于服務器節點負載實時變化,能耗模型應為時間t的函數,因此服務器在t0到t時間段的總能耗E如式(1)所示。

(1)

其中:u(t)表示CPU的利用率;pi(u(t))為服務器的能耗函數。

用戶的服務質量用SLA違反率的高低來評價,SLA違反率越低,則用戶享有更好的服務質量。結合本文考慮的因素,用虛擬機請求的CPU、內存、帶寬資源和實際獲得的CPU、內存、帶寬資源的差值分別占虛擬機請求的CPU、內存、帶寬資源比重的平均值來表示SLA違反率。

2.2遷移觸發

基于雙閾值的虛擬機動態遷移策略需要綜合考慮服務器CPU、內存、帶寬資源的使用情況。服務器的CPU利用率如式(2)所示。

(2)

其中,Vcpui表示單個CPU在虛擬機vi中的利用率;Scpu表示該物理節點總的CPU利用率。

服務器的內存利用率如式(3)所示。

(3)

其中:Vmemi表示虛擬機vi所獲得的內存大小;M表示該物理節點總的內存大小。

服務器的帶寬利用率如式(4)所示。

(4)

其中:Vbwi表示帶寬在虛擬機vi上的利用情況;Tb表示該物理節點最大的帶寬流量。

服務器節點CPU、內存、帶寬資源的利用率可用一個三維向量表示,如式(5)所示。

Umul={Ucpu,Umem,Ubw}

(5)

在采集服務器的CPU、內存或帶寬資源等各種資源數據時,設定一個采集周期T來保證采集到的相關數據的準確性,大幅度地減小了采集到的資源數據與實際資源數據的偏差。在確定觸發遷移的判定條件時,設定一個高閾值Tup和一個低閾值Tlow。另外,為了使判定條件更加合理,選定在連續3個周期內進行判斷遷移時機。如果在3個連續周期內,該物理主機采集到的資源向量Umul的3個分量均小于閾值Tlow,也就是說,服務器的CPU、內存和帶寬資源的利用率在連續3個周期都低于閾值Tlow,則觸發遷移,這種情況屬于低負載觸發遷移。另外,在3個連續周期內,如果Ucpu>Tup,則CPU會觸發遷移;如果Umem>Tup,則內存會觸發遷移;如果Ubw>Tup,則帶寬會觸發遷移,以上3種情況都屬于高負載觸發遷移。若是其他情況,則表明物理主機負載正常,無需遷移。具體的遷移觸發流程如圖1所示。

圖1 遷移觸發流程圖Fig.1 Flow chart of triggering migration

2.3待遷移虛擬機的選擇

為了使得遷移開銷最小,以對系統性能影響為遷移代價,選取具有最小遷移代價的方案進行虛擬機的遷移,避免遷移帶來過多的系統資源消耗。虛擬機動態遷移時會消耗系統資源,可能導致SLA違反的發生。Voorsluys等[11]為了能夠計算系統性能下降的量化數值,設計了一種模型架構,提出了系統性能影響的具體量化方法,將CPU負載占用的10%作為系統性能的下降值。虛擬機遷移需要的時間ti,mig由虛擬機的內存和遷移時的網絡帶寬決定,如式(6)所示。

(6)

其中,BWi表示供虛擬機遷移的帶寬,則遷移帶來的服務器性能下降D(vi)如式(7)所示。

(7)

其中:t0表示遷移的開始時間;ti,mig表示虛擬機遷移過程花費的時間。

在選擇需要遷移的虛擬機時,若Umul的3個分量均小于低閾值Tlow,也就是低負載觸發的遷移時,則物理主機上所有的虛擬機都要進行遷移,與此同時還要關閉主機,或者使物理主機在低能耗的情況下工作,減小系統能耗;相反,若是高負載觸發的遷移,則為了使得遷移代價最小,此時需要在判斷服務器CPU、內存和帶寬資源的可利用率與已經被虛擬機消耗的利用率的差值是否小于閾值Tup的同時計算并且選擇最小遷移代價,在虛擬機遷移后,物理主機的各種負載也都要低于Tup,以避免物理主機超載,在保證系統的性能、SLA違反率較低的同時降低了系統的能量消耗。需要遷移的虛擬機集合R如式(8)所示。

(8)

基于最小遷移代價虛擬機選擇算法流程如下:

最小遷移代價虛擬機選擇算法(Min_migration_cost VM migration seclection)

Input:hostList //主機列表

Output:migVMList //遷移虛擬機列表

(1) 對hostList按照資源量從大到小排序

(2) for host inhostList do

(3) 取得當前主機所有虛擬機的使用資源 (vmUseList)

(4) 對vmUseList按照資源量從大到小排序

(5) While !(Tlow

(6) minCost = MAX

(7) for each VM invmUseList do

(8)r=Umul-sum (Vmul/S)

(9) //求解公式(7)中的判斷條件

(10) While (r

(11)tmig=vmem/BW//公式(5)

(12) cost=D(vi) //公式(6)

(13) if cost

(14) migVM = VM

(15) minCost = cost

(16) End if

(17) ifmigVM != NULL then

(18) 當前主機上vmUseList刪除虛擬機

(19) migVMList.add(migVM)

(20) //加入當前VM到遷出list

(21) end if

(22) End While

(23) End for

(24) End While

(25) End for

(26) returnmigVMList

假設M為可使用的物理主機數量,N為每臺物理主機的虛擬機數量,則該選擇算法的時間復雜度為O(MxN)。

2.4遷移目標物理節點的選擇

利用上述算法進行虛擬機選擇后,需要遷移的虛擬機確定,得到需要遷移的虛擬機集合,接下來就是選擇目標物理節點來完成這些虛擬機的遷移,此時需要選擇合適的目標節點接受被遷移的虛擬機。

為了防止多個虛擬機同時選擇性能最好的同一個物理節點遷移的群聚效應的發生,綜合考慮節點的CPU資源和內存大小兩個因素,計算需要遷移的虛擬機與目標服務器(CPU消耗/內存消耗)的匹配程度,基于概率選擇機制選擇目標節點,避免因為物理節點內存過剩但CPU利用率不足或者內存不足但CPU資源過剩導致的資源浪費。具體的目標物理節點的選擇步驟如下:

Step 1 根據目標節點的URavailable和虛擬機的URcost值匹配度,以及目標節點的性能,從云數據中心選擇出n個符合要求的目標節點。

定義URi表示運行的虛擬機vi的CPU利用率Ucpu與該虛擬機的內存利用率Umem的比值。根據UR定義可知,虛擬機CPU利用率越高,占用的內存越小,該虛擬機UR值越大。URavailable和URcost分別代表可利用率的比值、已消耗的利用率的比值。

定義Ri表示運行的虛擬機vi的CPU利用率Ucpu與該虛擬機的內存利用率Umem的乘積。根據R的定義可知,虛擬機CPU利用率越高,占用的內存越大,R值也越大。

Step 2 根據n個目標節點的Ravailable所組成的概率模型進行選擇,設節點i的當前可利用資源能力為(Ri)available,則該節點接受被遷移虛擬機的概率Pi如式(9)所示。

(9)

Step 3 選擇一個目標節點時,用random函數生成一個[0,1]的小數,然后根據該數最后落在哪個目標節點的概率空間中,將虛擬機遷移到這個目標節點。

物理主機可利用資源能力越大,成為接受該被遷移虛擬機目標節點的概率也越大。因此,概率機制在一定程度上避免了群聚效應發生,較大程度地提高了資源利用率。

3 仿真實驗設計與分析

3.1仿真實驗設計

本文利用CloudSim云仿真平臺[12]對提出的虛擬機動態遷移算法進行了實驗驗證分析,并從能量消耗、虛擬機遷移數量和SLA違反率3個方面與常用的幾種虛擬機動態遷移算法進行了性能比較,這些算法包括:ST算法、DT算法、PDT算法和LBES算法。實驗環境配置為MyEclipse 8.5,JDK:jdkl.6.0,CloudSim-3.0,主要實驗參數見表1。

表1 環境參數配置

3.2仿真結果分析

通過仿真環境,分別對上述幾種算法和本文算法進行虛擬機動態遷移測試。

圖2示出了幾種算法的能耗對比結果。從圖2可以看出,在閾值相同的情況下,DT算法比ST算法能耗低,這是因為DT算法是在ST算法的基礎上設定了一個更小的閾值,當物理機的CPU利用率小于這個閾值時,會選擇將該物理機上的所有虛擬機都遷移出去,并關閉該物理機,使得總能耗降低。PDT算法和LBES算法是在DT算法的基礎上通過對負載的預測機制,減少不必要的遷移和服務器過載的發生,從而降低能量消耗,但是目前預測負載機制的性能并不是很成熟。本文提出的虛擬機動態遷移算法不僅采用了雙閾值策略,還在遷移過程的其他階段采取了有效策略,使得系統資源利用率更高、能耗最小,在節能效果上比其他算法更加顯著。

圖3示出了幾種算法的SLA違反率對比結果。由圖3可以看出,在閾值相同的情況下,DT算法的SLA違反率高于ST算法,這是因為DT算法為了節能設定的閾值使得關閉的物理主機增多,相應地每個物理主機所承受的任務數增多,導致SLA違反率升高。而PDT算法和LBES算法由于考慮了負載預測加以平衡負載,所以SLA違反率降低。本文算法在DT算法的基礎上,還考慮了遷移代價等,使得SLA違反率更低。

圖2 幾種算法的能耗對比Fig.2 Comparison of energy consumption for different algorithms

圖3 幾種算法的SLA違反率對比Fig.3 Comparison of the violation rate of SLA for different algorithms

圖4示出了幾種算法的虛擬機遷移數量對比結果。由圖4可以看出,在閾值相同的情況下,DT算法、PDT算法和LBES算法都比ST算法的虛擬機遷移數量低,設定的雙閾值和負載預測避免了許多無用的虛擬機遷移。本文算法設定了雙閾值,并充分考慮到遷移代價最小等,大大減少了虛擬機的遷移數量。

總的來說,本文提出的動態遷移算法是對遷移過程的3個關鍵階段分別加入了雙閾值策略、最小遷移代價的虛擬機選擇策略和基于概率機制的目標物理節點選擇策略。仿真模擬對比實驗結果表明,從能量消耗、虛擬機遷移數量和SLA違反率3個方面分析比較來看,本文算法比其他算法的資源利用率高、SLA違反率較低、能耗最小。

圖4 幾種算法的虛擬機遷移數量對比Fig.4 Comparison of the number of VM migration for different algorithms

4 結束語

當前高能耗是制約云數據中心發展的一大難題,針對服務器資源利用率偏低、能耗浪費嚴重的問題,通過分析虛擬機遷移的過程,對傳統算法進行了優化,給出了相關的遷移策略,提出了一種改進的虛擬機動態遷移算法。仿真實驗結果表明,本文的虛擬機動態遷移算法,通過設定虛擬機遷移的總利用率上限和設定關閉物理節點的下限進行遷移操作,使得關閉的物理主機增多,同時選擇最小遷移代價虛擬機和綜合考慮CPU計算能力和內存容量來選擇目標服務器,減少了不必要的遷移,從而降低了能量消耗,同時也使得SLA違反率有所降低。隨著虛擬機遷移技術的持續升溫,在后續研究中,將會考慮在遷移過程中加入負載預測機制,研究設計切實可行的負載預測模型,使得虛擬機遷移更加高效、節能。

[1] FILANI D,HE J,GAO S,etal.Dynamic data center power management:Trends,issues,and solutions[J].Intel Technology Journal,2008,12 (1):59-67.

[2] SHIEH A,KANDULA S,GREENBERG A,etal.Sharing the data center network[C]// Proceedings of the 8th USENIX Conference on Networked Systems Design and Implementation.Berkeley,USA :ACM,2011:309-322.

[3] XU F,LIU F,JIN H,etal.Managing performance overhead of virtual machines in cloud computing:A survey,state of the art,and future directions[J].Proceedings of the IEEE,2014,102 (1):11-31.

[4] IBRAHIM EJDAYID A.MANSOUR,etal.Effective live cloud migration[C]//IEEE on International Conference on Future Internet of Things and Cloud (FiCloud).USA:IEEE,2016:334-339.

[5] 畢冉,李建中,高宏,等.無線傳感器網絡中基于雙閾值的分布式監測算法[J].電子學報,2014,42(8):1594-1600.

[6] 李丹程,王曉晨,宋曉雪,等.基于OpenStack的資源負載預測方法研究[J].計算機應用研究,2014,31(7):2178-2182.

[7] 肖鵬,劉洞波,屈喜龍.云計算中基于能耗比例模型的虛擬機調度算法[J].電子學報,2015,43(2):305-311.

[8] XU F,LIU F,JIN H,etal.iAware:Making live migration of virtual machines interference-aware in the cloud[J].IEEE Transactions on Computers ,2014,63 (12):3012-3025.

[9] EGGER B,CHO Y.Efficient check pointing of live virtual machines[J].IEEE Transactions on Computers, 2016,65(10):3041 - 3054.

[10] DENG W,LIU F,JIN H,etal.Harnessing renewable energy in cloud datacenters:Opportunities and challenges[J].IEEE Network,2013,28( 1):48-55.

[11] VOORSLUYS W.Cost of Virtual Machine Live Migration in Clouds:A Performance Evaluation[M].Berlin Heidelberg:Springer ,2009:254-265.

[12] RAWAT P S,DIMRI P,SAROHA G P,etal. Power consumption analysis across heterogeneous data center using CloudSim[C]//2016 3rd International Conference on Computing for Sustainable Global Development.USA:IEEE,2016:1-5.

LiveMigrationAlgorithmofVirtualMachineforReduceEnergyConsumption

LIFei-biao1,2,YUHui-qun1,FANGui-sheng1

(DepartmentofComputerScienceandEngineering,EastChinaUniversityofScienceandTechnology,Shanghai200237,China;2.ShanghaiKeyLaboratoryofComputerSoftwareTestingandEvaluating,Shanghai201112,China)

In cloud computing environment,an effective live migration algorithm of virtual machine can greatly reduce energy consumption and the violation rate of SLA.This work proposes an improved virtual machine live migration algorithm,which adopts the double thresholds strategy,the virtual machine selection strategy based on the minimum cost of migration,and the probabilistic selection strategy of the target physical nodes.The simulation experiments show that the proposed algorithm can reduce the system energy consumption and the SLA violation rate in the virtual machine live migration.

cloud computing; virtual machine; live migration algorithm; energy consumption; violation rate of SLA

TP393

A

1006-3080(2017)05-0692-06

10.14135/j.cnki.1006-3080.2017.05.014

2016-11-23

李飛標(1991-),男,安徽人,碩士生,主要研究方向為云計算和軟件工程等。E-mail:lifeibiao2010@163.com

虞慧群,E-mail: yhq@ecust.edu.cn