基于多約束值的動態資源調度策略

摘 要：負載均衡問題本質是資源調度問題，需考慮到資源合理分配、閑置服務集群有效利用、實現負載分攤，最終降低運行節點負載量。本文系統地研究了虛擬網絡資源調度模型和相關技術，結合云計算和虛擬化網絡特點，構建了虛擬網絡調度模型，并實現了一種基于多約束值的動態資源匹配（Dynamic resource matching based on multi constraint value，DRMV）策略。當任務請求到達，DRMV算法根據任務大小、節點負載量、功率及網絡帶寬等多個約束值對任務和服務節點進行排序處理。同時，為了降低任務和服務節點匹配時間與成本消耗，DRMV算法利用服務節點實際負載反饋情況，動態調節系統負載。

關鍵詞：云計算；虛擬化網絡；負載均衡；資源動態分配；系統穩定性

中圖分類號：TP18 文獻標識碼：A 文章編號：2096-4706（2018）11-0078-03

Dynamic Resource Matching Based on Multi Constraint Value

YU Yun

（Jiangsu College of Finance Accounting，Lianyungang 222061，China）

Abstract：The essence of load balancing is resource scheduling problem. In order to achieve load sharing，the rational allocation of resources should be given to considerate and the idle service clusters should be given to effective utilize. Ultimately，reduce the load of the running node. Systematically studied the virtual network resource scheduling model and some related technologies，build a virtual network scheduling model under cloud environment according to the characteristics of cloud computing and virtualization of network，and proposed DRMV（Dynamic resource matching based on multi constraint value，DRMV）strategy. When a request arrived，the DRMV sorted and processed the task and service node based on the size of task，the node load，power and network bandwidth and other constraint values. At the same time，in order to cut down the time and cost consumption of matching task and service nodes，DRMV used the service node's feedback of actual load，dynamically adjusted the system load.

Keywords：cloud computing；virtualization network；load balancing；resource dynamic allocation；system stability

0 引 言

云計算可以說是伴隨著虛擬化而出現的，云計算技術基本都會涉及虛擬化技術的應用，也可以說虛擬化技術是云計算實現的關鍵，更是實現云計算向下一代技術模式反向演變的基石。

隨著Internet的快速發展，網絡規模迅速擴大，業務需求千變萬化，資源整合困難，互聯網的成長出現“僵化”現象，嚴重影響著未來的網絡深度發展，因此虛擬化網絡資源調度[1]思想被提出。該思想通過對底層網絡基礎設施進行虛擬化實現，將底層網絡資源所提供的服務與云層應用服務從邏輯上進行分離，把虛擬網絡映射技術作為它們之間的橋梁。

最近幾年大量學術研究和論證表明，虛擬化技術已經被認為是解決當今互聯網及體系結構問題的有效方法之一，并作為下一代互聯網[2]得到了廣泛的關注，如歐盟FP7/4WARD項目、美國的PlanetLab和GENI/FIND項目和中國的CNGI項目。由此可見，互聯網發展體系機構變革已經成為世界共識，互聯網的更新換代已經升級到國家戰略的高度，快速制定完備的互聯網發展戰略計劃刻不容緩。

1 多約束值的動態資源調度

1.1 負載均衡的度量

當前，比較常用的CPU負載均衡公式[3]，采用CPU頻率與CPU使用率以及λcpu系數之間的乘積來衡量CPU完成任務時的負載情況，如公式（1）。

1.2 任務與資源映射模型

在進行資源分配時，資源的預留空間要相對最優，以便任務能夠獲取較好的服務。在云環境下資源分配過程可以描述為，當上層發出的任務到達服務節點時，記錄開始執行時間，然后根據任務的類型、大小以及所需負載量，通過調度策略對其進行分配，直到整個任務完成。本文主要從任務執行總代價方面評估系統資源分配的合理性，其中任務執行總代價Cost可以通過以下三個計量公式推導得出。

1.2.1 任務執行時間代價

建立任務執行時間代價的數學模型，需考慮到任務開始時間、任務執行時間、任務阻塞時間、任務結束時間以及任務切換時間等，本文選取任務在整個執行流程中所消耗的時間為參照。在這個過程中，能夠影響到任務執行時間的因素，主要有節點負載能力、存儲容量、網絡帶寬和磁盤I/O速率，因此通過以上變量因子得出時間計算公式（9）。

T=a×Ψ（α（ni））+b ×Ψ（β（ri））+c×Ψ（w（ei））+d×Ψ（f（mi）） （9）

公式中節點負載能力為α（ni），i表示服務節點編號，Ψ（α（ni））表示i服務節點執行任務所需要節點負載標準化參數αΔ。同理，存儲容量為β（ri），Ψ（β（ri））表示任務存取使用的時間標準化參數βΔ。帶寬負載能力為w（ei），Ψ（w（ei））表示任務在鏈路上傳輸所使用的時間標準化參數wΔ，包括任務發出時間、傳送時間、接受時間以及延遲時間，帶寬負載能力是作為衡量任務執行時間的關鍵因素之一。磁盤I/O速度為f（mi），Ψ（f（mi））表示磁盤讀取的時間標準化參數fΔ，同樣，磁盤I/O速率也是影響整個系統的關鍵因素之一。因此，公式（9）可以化簡為公式（10），其中

1.2.2 任務執行資源代價

任務執行過程中涉及資源占用，包括底層鏈路帶寬、服務節點資源、存儲資源以及其他部件資源等。綜合考慮以上成本損耗，占主要成本的損耗為底層鏈路開銷、服務節點負載開銷以及內/外存使用開銷。因此，由以上四個影響因子得到以下通用成本計算公式（11）。

在公式中，a1，b1，c1，d1分別表示每個變量因子的加權影響因子，且?（a1，b1，c1，d1）∈（0，1），a1+b1+c1+ d1=1。由公式（10）和公式（11）可以得到任務在整個執行過程中，任務執行時間代價與任務執行資源代價向量公式（12）。

1.2.3 QoS期望參數

QoS期望參數主要是用于平衡任務時間與資源成本。QoS期望參數可以用一個二元參數組成數組G=（rt，rc），其中rt，rc分別對應公式（12）中任務時間與資源成本。針對期望權值的設置來判斷最優資源分配策略，其二元參數符合公式（13）的約束條件。

任務執行總代價Cost：歐幾里得度量公式定義了歐幾里得空間兩點間的最短路徑。因此，通過參數底層物理資源損耗向量公式（12）和QoS期望參數公式（13），結合歐幾里得度量公式（14），可以得到系統最優的資源分配代價計算公式（15）。

2 仿真結果及分析

通過對服務節點的負載量（kb/W*Hz）、任務執行時間（ms）以及任務執行成本（kb）共同對比分析來驗證DRMV算法的有效性。本文將選取的隨機調度（Random Scheduling，RDS）[4]算法和最小負載反饋（Least Load Feedback，LLF）[5]算法進行實驗結果對比。

2.1 服務節點負載分析

本文選取6個服務節點作為分析對象，實驗結果如圖1所示。

DRMV算法平均負載量為0.8867，負載標準差值為0.2607；RDS算法系統平均負載量為1.958，負載標準差值為0.4273；LLF算法平均負載量為1.5095，負載標準差值為0.3858。在系統平均負載量方面，RDS算法比DRMV算法高了約2.21倍，LLF算法比DRMV算法高了約1.703倍。同時，由負載標準方差也可得知算法DRMV的穩定性要優于其他兩個算法，LLF算法穩定性優于RDS算法。

2.2 任務執行時間及成本分析

實驗構建了任務執行時間與成本權限表，如表1所示，表中第一列期望因子1為任務執行時間權限配置，設置時間期望因子大于成本期望因子。表中第二列期望因子2為任務執行成本權限配置，與期望因子1配置相反。表中共設置了7個任務，每個任務量大小均不一樣。

由實驗圖2可以看出7個數據之間服務節點運行時間分配不均，每個節點之間任務執行時間存在一定差距。算法DRMV執行時間區間跨度較其他兩個算法大，可能原因是任務之一分配不是很合理，導致時間上限過大。整體上，DRMV時間代價要比其他兩個算法低。圖3中，期望成本是由所有任務在執行時所占用資源的總平均值，實際成本為7個任務在6臺服務節點上所占用資源值，這些任務的成本值區間在（300，1300）。任務成本值的總體走勢除了4號任務和7號任務成本花費突出外，其余均在總平均值以下，用戶對1、2、3、5、6號任務成本花費的總體滿意度較好。

從圖3中可以分析得知，任務4號與7號成本花費過多，一部分是因為其任務量本身過大，在相同配置情況下，任務量越大服務節點執行過程耗時越長；另外一個影響因素是服務節點配置過低，在任務分配量一定的情況下，服務節點配置越低，任務執行所需時間也就越長，單個任務總的執行成本價值也就越高。

3 結 論

本文在虛擬網絡資源調度系統模型下，描述了底層資源的聚合以及任務的組成。結合云計算和虛擬化網絡的特點構建了云環境下的虛擬網絡調度模型，實現了DRMV算法策略。當任務請求到達時，DRMV算法根據任務大小、節點負載量、功率以及網絡帶寬等多個約束值對任務和服務節點進行排序處理。同時，為了降低任務和服務節點匹配的時間與成本消耗，DRMV算法利用服務節點的實際負載反饋情況來調節系統負載。此算法在一定程度上提高了任務處理速度，減少了任務執行時間與資源成本，提高了用戶滿意度。

在下一步的研究中，筆者將對文章資源調度算法部分進行改進，可以對任務執行時間或是任務執行成本的參數進行設置，改進資源調度算法，降低服務節點負載量、執行成本和時間消耗，提高用戶滿意度。

參考文獻：

[1] ANDERSON T，PETERSON L，SHENKER S，et al. Overcoming the Internet impasse through virtualization [J].Computer，2005，3（4）：34-41.

[2] 朱偉，聶秀英.國外下一代互聯網研究試驗的新進展 [J].電信網技術，2009（4）：27-32.

[3] 宋杰，李甜甜，閆振興，等.一種云計算環境下的能效模型和度量方法 [J].軟件學報，2012，23（2）：200-214.

[4] TARI Z，BROBERG J，ZOMAYA A Y，et al. A least flow-time first load sharing approach for distributed server farm [J].Journal of Parallel and Distributed Computing，2005，65（7）：832-842.

[5] ZAKI MJ，Wei Li，PARTHASARATHY S. Customized dynamic load balancing for a network of workstations [C].//High Performance Distributed Computing，1996. Proceedings of 5th IEEE International Symposium on.S.l.：s.n.，1996：282-291.

作者簡介：郁云（1987.06-），男，漢族，江蘇連云港人，講師，碩士研究生。研究方向：云計算虛擬網絡技術。