改進(jìn)指數(shù)平滑預(yù)測(cè)的虛擬機(jī)自適應(yīng)遷移策略①

劉春霞,王 娜,黨偉超,白尚旺

(太原科技大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,太原 030024)

近年來(lái),隨著日益增長(zhǎng)的計(jì)算、存儲(chǔ)和網(wǎng)絡(luò)需求,云計(jì)算數(shù)據(jù)中心能源消耗問(wèn)題得到了越來(lái)越多的關(guān)注.據(jù)統(tǒng)計(jì),2014年美國(guó)的數(shù)據(jù)中心消耗了700億千瓦時(shí)的電力,相當(dāng)于該國(guó)全年能源消耗總量的1.8%.高能耗不僅造成高運(yùn)營(yíng)成本,而且會(huì)導(dǎo)致巨大的碳排放,每年信息和通信技術(shù) (Information and Communication Technologies,ICT)產(chǎn)業(yè)對(duì)全球溫室氣體排放總量的貢獻(xiàn)率為2%左右[1].實(shí)際上,數(shù)據(jù)中心的能耗成本與服務(wù)器數(shù)目以及資源利用狀況密切相關(guān),高能耗問(wèn)題的主要原因是主機(jī)的資源利用率不均衡.因此,為了解決數(shù)據(jù)中心高能耗問(wèn)題,研究人員利用虛擬機(jī)遷移技術(shù)實(shí)現(xiàn)數(shù)據(jù)中心各主機(jī)之間動(dòng)態(tài)負(fù)載均衡,達(dá)到各主機(jī)的資源充分利用[2].虛擬機(jī)遷移技術(shù)即當(dāng)數(shù)據(jù)中心物理主機(jī)的負(fù)載值不在合理范圍時(shí),需要將分配在該主機(jī)上虛擬機(jī)遷移到合適的主機(jī)上,通過(guò)該方法能夠?qū)崿F(xiàn)數(shù)據(jù)中心物理主機(jī)的動(dòng)態(tài)負(fù)載均衡,使數(shù)據(jù)中心的資源可以合理利用,從而達(dá)到節(jié)能降耗的目的[3].但是,數(shù)據(jù)中心虛擬機(jī)遷移過(guò)程中,虛擬機(jī)遷移粒度較大,遷移時(shí)傳輸?shù)臄?shù)據(jù)量也大,因此,遷移開(kāi)銷是不可忽略的.而數(shù)據(jù)中心負(fù)載量不斷動(dòng)態(tài)變化的特殊環(huán)境會(huì)造成虛擬機(jī)因負(fù)載瞬時(shí)峰值而頻繁遷移,這將會(huì)產(chǎn)生一部分因虛擬機(jī)遷移而引發(fā)的能量損耗.因此,有必要對(duì)虛擬機(jī)遷移時(shí)機(jī)進(jìn)行研究,避免物理主機(jī)瞬時(shí)過(guò)載而導(dǎo)致虛擬機(jī)頻繁遷移,以提高虛擬機(jī)遷移效率,在保證能耗降低的同時(shí),盡量使得虛擬機(jī)的遷移次數(shù)達(dá)到最小.

當(dāng)前,虛擬機(jī)遷移技術(shù)在云數(shù)據(jù)中心高能耗問(wèn)題上的應(yīng)用不斷改進(jìn)與發(fā)展.文獻(xiàn)[4]采用基于閾值的方法來(lái)觸發(fā)虛擬機(jī)遷移,如果監(jiān)測(cè)到物理主機(jī)的負(fù)載值高于閾值,則進(jìn)行虛擬機(jī)遷移,否則,不需要虛擬機(jī)遷移.文獻(xiàn)[5]提出一種基于時(shí)間序列的預(yù)測(cè)方法,通過(guò)分析當(dāng)前時(shí)間云資源負(fù)載值與下一時(shí)間預(yù)測(cè)值之間的變化關(guān)系,實(shí)現(xiàn)對(duì)云資源負(fù)載的動(dòng)態(tài)調(diào)整,該方法通過(guò)資源調(diào)整來(lái)提高物理主機(jī)利用率.文獻(xiàn)[6]提出基于負(fù)載預(yù)測(cè)的動(dòng)態(tài)虛擬機(jī)整合算法,通過(guò)預(yù)測(cè)物理主機(jī)的負(fù)載值來(lái)判斷物理主機(jī)是否處于過(guò)載或低載狀態(tài),進(jìn)而觸發(fā)虛擬機(jī)的遷移.文獻(xiàn)[7]在CloudSim工具中根據(jù)歷史數(shù)據(jù),使用局部加權(quán)回歸 (the Local Regression,LR)法來(lái)預(yù)測(cè)未來(lái)時(shí)刻物理主機(jī)的資源負(fù)載狀態(tài).文獻(xiàn)[8]通過(guò)布朗指數(shù)平滑法預(yù)測(cè)下一時(shí)刻物理主機(jī)的負(fù)載值,進(jìn)而判斷物理主機(jī)的負(fù)載狀態(tài),在一定程度上降低了數(shù)據(jù)中心能耗,但該方法所采用的平滑系數(shù)固定,難以適應(yīng)數(shù)據(jù)中心負(fù)載不斷動(dòng)態(tài)變化的情況,可能造成預(yù)測(cè)精度不高,導(dǎo)致虛擬機(jī)無(wú)效遷移.

綜上所述,關(guān)于云計(jì)算服務(wù)器虛擬機(jī)遷移策略的研究大多使用基于閾值或基于預(yù)測(cè)的方法,存在以下普遍缺陷:簡(jiǎn)單基于閾值的方法不具有靈活性;簡(jiǎn)單基于預(yù)測(cè)的方法需要時(shí)刻進(jìn)行負(fù)載值的監(jiān)測(cè)和預(yù)測(cè),造成不必要的工作負(fù)載;由于數(shù)據(jù)中心瞬時(shí)的負(fù)載峰值,單一策略可能造成不必要的虛擬機(jī)遷移.文獻(xiàn)[8]采用的指數(shù)平滑預(yù)測(cè)方法是一種時(shí)間序列預(yù)測(cè)法,但其使用單一的平滑系數(shù),難以適應(yīng)數(shù)據(jù)中心這樣負(fù)載不斷變化的特殊環(huán)境.因此,本文提出一種基于改進(jìn)指數(shù)平滑預(yù)測(cè)的虛擬機(jī)自適應(yīng)遷移策略DyESP (Dynamic Exponential Smoothing Prediction),該策略將閾值和預(yù)測(cè)相結(jié)合,通過(guò)連續(xù)判斷物理主機(jī)負(fù)載狀態(tài)來(lái)觸發(fā)預(yù)測(cè)機(jī)制,使預(yù)測(cè)算法采用動(dòng)態(tài)平滑系數(shù),提高了預(yù)測(cè)精度,避免了因瞬時(shí)過(guò)載而導(dǎo)致的虛擬機(jī)無(wú)效遷移,從而提高了虛擬機(jī)遷移效率并降低能耗.

1 虛擬機(jī)自適應(yīng)遷移策略

1.1 相關(guān)定義

虛擬機(jī)遷移過(guò)程一般分為三部分,即虛擬機(jī)何時(shí)遷移,選擇合適的虛擬機(jī)遷移以及選擇合適的目的主機(jī)完成遷移,其中虛擬機(jī)何時(shí)遷移是完成遷移過(guò)程的第一步也是最關(guān)鍵的一步,合理的虛擬機(jī)遷移觸發(fā)方法能提高虛擬機(jī)的遷移效率,降低數(shù)據(jù)中心的能耗.在對(duì)虛擬機(jī)遷移觸發(fā)方法進(jìn)行描述之前,需要對(duì)虛擬機(jī)遷移過(guò)程的相關(guān)影響因素做如下定義:

定義1.將數(shù)據(jù)中心物理主機(jī)所構(gòu)成的有限集合定義為H={h1,h2,h3,···,hn};將每臺(tái)物理主機(jī)hi上部署的虛擬機(jī)所構(gòu)成的有限集合定義為Vi={vi1,vi2,vi3,···,vim}[9].

定義2.虛擬機(jī)遷移過(guò)程中,當(dāng)物理主機(jī)符合遷出條件時(shí),該物理主機(jī)稱作源主機(jī),將所有源主機(jī)構(gòu)成的有限集合定義為D;當(dāng)物理主機(jī)符合遷入條件時(shí),該物理主機(jī)稱作目的主機(jī),將所有目的主機(jī)構(gòu)成的有限集合定義為O;當(dāng)物理主機(jī)既不符合遷出條件,也不符合遷入條件時(shí),該物理主機(jī)稱為安全主機(jī),將所有安全主機(jī)構(gòu)成的有限集合定義為S,因此,H=DUOUS[9].

1.2 遷移策略

依據(jù)上述定義,本文提出基于指數(shù)平滑預(yù)測(cè)的自適應(yīng)虛擬機(jī)遷移策略,該方法通過(guò)連續(xù)監(jiān)測(cè)判斷和自適應(yīng)預(yù)測(cè)兩部分來(lái)提高虛擬機(jī)遷移時(shí)機(jī)的準(zhǔn)確性.由于物理主機(jī)的負(fù)載值過(guò)高或過(guò)低都會(huì)造成數(shù)據(jù)中心能量損耗,并影響服務(wù)質(zhì)量,因此將監(jiān)測(cè)值劃分為過(guò)載,低載和安全值三種狀態(tài).過(guò)載表示為物理主機(jī)的負(fù)載值超過(guò)高閾值,此時(shí)需要依據(jù)歷史數(shù)據(jù)預(yù)測(cè)下一段時(shí)間的物理主機(jī)負(fù)載值;低載表示為物理主機(jī)的負(fù)載值低于低閾值,此時(shí)需要完成虛擬機(jī)的全部遷出并且關(guān)閉物理主機(jī);安全值表示為物理主機(jī)的負(fù)載值處于高閾值和低閾值之間,此時(shí)不需要進(jìn)行虛擬機(jī)遷移.本文選擇CPU利用率作為遷移觸發(fā)的主要影響因素,通過(guò)該方法能夠在一定程度上避免因瞬時(shí)峰值造成的虛擬機(jī)不必要遷移,提高虛擬機(jī)遷移效率.

(1)監(jiān)測(cè).為了使虛擬機(jī)遷移觸發(fā)方法更適應(yīng)數(shù)據(jù)中心負(fù)載不斷變化的特殊環(huán)境,降低虛擬機(jī)無(wú)效遷移次數(shù),本文通過(guò)連續(xù)監(jiān)測(cè)4次物理主機(jī)的負(fù)載值來(lái)判斷其是否為待遷物理主機(jī),若其連續(xù)監(jiān)測(cè)值高于高閾值且呈上升趨勢(shì),則將該物理主機(jī)看作待遷移物理主機(jī).文獻(xiàn)[4]研究表明,當(dāng)閾值過(guò)高時(shí),由于數(shù)據(jù)中心物理主機(jī)持續(xù)高負(fù)載會(huì)產(chǎn)生大量能耗;當(dāng)閾值過(guò)低時(shí),會(huì)造成虛擬機(jī)的頻繁遷移,同樣會(huì)產(chǎn)生由于頻繁遷移而帶來(lái)的大量能耗,所以選取 0.8 為閾值.因此,本文同樣將0.8作為遷移觸發(fā)閾值.

(2)自適應(yīng)預(yù)測(cè)機(jī)制.由于數(shù)據(jù)中心物理主機(jī)的負(fù)載值是動(dòng)態(tài)變化的,連續(xù)監(jiān)測(cè)物理主機(jī)的負(fù)載值超過(guò)閾值且呈上升趨勢(shì),并不代表下一時(shí)刻其負(fù)載值一定超過(guò)閾值,因此,本文采用連續(xù)10次物理主機(jī)的歷史負(fù)載值,通過(guò)改進(jìn)指數(shù)平滑預(yù)測(cè)法對(duì)待遷移物理主機(jī)的下一時(shí)刻負(fù)載值進(jìn)行自適應(yīng)預(yù)測(cè).當(dāng)預(yù)測(cè)值超過(guò)閾值時(shí),將該物理主機(jī)看作需要進(jìn)行遷移的物理主機(jī),否則繼續(xù)進(jìn)行監(jiān)測(cè).

該虛擬機(jī)遷移策略能判斷物理主機(jī)負(fù)載值的變化趨勢(shì),并自適應(yīng)的預(yù)測(cè)物理主機(jī)下一時(shí)刻負(fù)載值,提高了預(yù)測(cè)精度,有效的避免了因主機(jī)負(fù)載的瞬時(shí)過(guò)載而導(dǎo)致虛擬機(jī)無(wú)效遷移,從而提高了虛擬機(jī)遷移的準(zhǔn)確性,減少了虛擬機(jī)無(wú)效遷移次數(shù),進(jìn)而降低了數(shù)據(jù)中心能耗.該方法的流程圖如圖1所示.

圖1 觸發(fā)預(yù)測(cè)流程圖

2 自適應(yīng)預(yù)測(cè)機(jī)制

2.1 指數(shù)平滑預(yù)測(cè)法

二指數(shù)平滑法 ESP(Exponential Smoothing Prediction)是基于移動(dòng)加權(quán)平均法來(lái)預(yù)測(cè)時(shí)間序列變化趨勢(shì)的方法,該方法為最近的觀測(cè)數(shù)據(jù)賦予較大的權(quán)值,給距離較遠(yuǎn)的觀測(cè)值賦予較小的權(quán)值,以此預(yù)測(cè)下一時(shí)刻的值,適用于中短期趨勢(shì)預(yù)測(cè)[10].設(shè)遷移觸發(fā)過(guò)程中需要s個(gè)時(shí)間段,其序列定義為 〈t1,t2,t3,···,ts〉,其中每個(gè)時(shí)間段的物理主機(jī)負(fù)載檢測(cè)值定義為 〈y1,y2,y3,···,ys〉,因此,遷移觸發(fā)過(guò)程中的數(shù)據(jù)集合定義為:

一次指數(shù)平滑法的定義為:

一次指數(shù)平滑法雖然可以較好的預(yù)測(cè)趨勢(shì)變化明顯的情況,但具有較大的滯后性,因此,本文采用二次指數(shù)平滑預(yù)測(cè)法,其定義為:

二次指數(shù)平滑預(yù)測(cè)法需建立線性趨勢(shì)預(yù)測(cè)模型,其模型為:

其中,t表示當(dāng)前時(shí)間;T表示當(dāng)前時(shí)間t到未來(lái)時(shí)間t+T之間的時(shí)間段;表示第t+T時(shí)間段的預(yù)測(cè)值;αt為截距;bt為斜率.

在實(shí)際的操作中,需要連續(xù)檢測(cè)s次負(fù)載值,如果都超過(guò)閾值,并且負(fù)載值呈現(xiàn)上升趨勢(shì),則進(jìn)行預(yù)測(cè),利用二次指數(shù)平滑預(yù)測(cè)法計(jì)算出截距αt和斜率bt,并利用式(7)進(jìn)行預(yù)測(cè),得到時(shí)間T的負(fù)載值.

二次指數(shù)平滑法能較好的預(yù)測(cè)負(fù)載的變化趨勢(shì),對(duì)數(shù)據(jù)中心負(fù)載值的變化做出合理的判斷,如果預(yù)測(cè)值在合理的負(fù)載范圍內(nèi),則不需要進(jìn)行虛擬機(jī)遷移,否則,需要進(jìn)行虛擬機(jī)遷移.

2.2 自適應(yīng)預(yù)測(cè)機(jī)制

指數(shù)平滑法預(yù)測(cè)的過(guò)程中,平滑系數(shù)表示數(shù)據(jù)的變化趨勢(shì).ESP方法中,平滑系數(shù)一經(jīng)確定便是一個(gè)常數(shù),難以跟蹤數(shù)據(jù)變化,導(dǎo)致降低了預(yù)測(cè)過(guò)程的適應(yīng)性.針對(duì)云數(shù)據(jù)中心負(fù)載不斷動(dòng)態(tài)變化的特點(diǎn),如果僅采用一個(gè)平滑系數(shù),難以適應(yīng)整體的變化過(guò)程,所以本文采用動(dòng)態(tài)平滑系數(shù)對(duì)傳統(tǒng)模型進(jìn)行修正[11].

采用動(dòng)態(tài)平滑系數(shù)是指在預(yù)測(cè)的過(guò)程中能夠使平滑系數(shù)自適應(yīng)數(shù)據(jù)中心的特殊環(huán)境,隨實(shí)際數(shù)據(jù)的變化而變化.在傳統(tǒng)指數(shù)平滑預(yù)測(cè)模型中,平滑系數(shù)的選擇決定了預(yù)測(cè)精度的高低,當(dāng)檢測(cè)的數(shù)據(jù)呈水平趨勢(shì)時(shí),平滑系數(shù)應(yīng)該選取0.1-0.3,當(dāng)檢測(cè)的數(shù)據(jù)呈持續(xù)上升或下降趨勢(shì)時(shí),平滑系數(shù)則應(yīng)該選取0.3-0.5,當(dāng)波動(dòng)較大時(shí),應(yīng)選取 0.6-0.8[8],因此,當(dāng)數(shù)據(jù)的變化趨勢(shì)發(fā)生改變時(shí),單一的平滑系數(shù)很難適應(yīng)預(yù)測(cè)需求.為了使預(yù)測(cè)方法能夠更好的適應(yīng)數(shù)據(jù)中心不斷動(dòng)態(tài)變化的特殊情況,本文的自適應(yīng)預(yù)測(cè)機(jī)制采用動(dòng)態(tài)平滑系數(shù),即在負(fù)載值預(yù)測(cè)的過(guò)程中,平滑系數(shù)隨著數(shù)據(jù)的變化而自動(dòng)調(diào)整,能夠很好的適應(yīng)數(shù)據(jù)變化的真實(shí)情況,得到更精確的的預(yù)測(cè)結(jié)果.自適應(yīng)預(yù)測(cè)機(jī)制的具體過(guò)程為:

(1)確定實(shí)際數(shù)據(jù).將連續(xù)檢測(cè)到的T期物理主機(jī)歷史負(fù)載值作為預(yù)測(cè)機(jī)制的初始數(shù)據(jù).本文中使用10期歷史數(shù)據(jù)作為實(shí)際數(shù)據(jù).

(2)查找最優(yōu)的平滑系數(shù).通過(guò)迭代法查找最優(yōu)的平滑系數(shù),選取步長(zhǎng)為0.0001對(duì)平滑系數(shù)進(jìn)行迭代,而后利用二次指數(shù)平滑預(yù)測(cè)法求出T期數(shù)據(jù)的誤差平方和,依據(jù)誤差平方和最小原則獲得最優(yōu)的平滑系數(shù)σ,即:

式中,k表示平滑系數(shù),取值在0～1范圍內(nèi)以步長(zhǎng)0.0001 迭代;表示當(dāng)平滑系數(shù)為k時(shí)第T期數(shù)據(jù)的預(yù)測(cè)值;xTk表示平滑系數(shù)為k時(shí)第T期數(shù)據(jù)的實(shí)際值;求出不同平滑系數(shù)對(duì)應(yīng)的T期數(shù)據(jù)的誤差平方和,并利用最小原則求出最小的誤差平方和,最小誤差平方和對(duì)應(yīng)的平滑系數(shù)即為最優(yōu)的平滑系數(shù).

(3)預(yù)測(cè)第T+1期的負(fù)載值.將步驟(2)獲得的最優(yōu)平滑系數(shù)帶入二次指數(shù)平滑預(yù)測(cè)法中進(jìn)行預(yù)測(cè),獲得T+1期的物理主機(jī)負(fù)載值.

(4)遷移觸發(fā).將步驟(3)獲得的預(yù)測(cè)值與閾值進(jìn)行比較,當(dāng)預(yù)測(cè)值大于閾值時(shí),說(shuō)明該物理主機(jī)呈現(xiàn)持續(xù)過(guò)載狀態(tài),需要將該物理主機(jī)上合適的虛擬機(jī)遷移到適當(dāng)?shù)哪康闹鳈C(jī)上,使數(shù)據(jù)中心的各物理主機(jī)達(dá)到負(fù)載均衡;當(dāng)預(yù)測(cè)值小于閾值時(shí),說(shuō)明該物理主機(jī)只是處于短暫過(guò)載狀態(tài),下一時(shí)刻已經(jīng)不再處于過(guò)載狀態(tài),因此,不需要進(jìn)行虛擬機(jī)遷移.

傳統(tǒng)二次指數(shù)平滑預(yù)測(cè)方法中初始值的選擇,當(dāng)數(shù)據(jù)量較小時(shí),選取第一期的實(shí)際值作為初始值,當(dāng)數(shù)據(jù)量較大時(shí),選取前三期的平均值作為初始值.本文將第一個(gè)時(shí)間段的實(shí)際值做為初始值進(jìn)行預(yù)測(cè).

3 實(shí)驗(yàn)與結(jié)果分析

CloudSim云計(jì)算仿真平臺(tái)[12]是一個(gè)可擴(kuò)展的仿真工具包,它支持云計(jì)算系統(tǒng)和應(yīng)用程序供應(yīng)環(huán)境的建模和模擬.為了驗(yàn)證本文提出的動(dòng)態(tài)指數(shù)平滑預(yù)測(cè)方法的有效性,利用CloudSim3.0版本對(duì)該方法進(jìn)行仿真實(shí)驗(yàn),并與LR和ESP兩種預(yù)測(cè)方法進(jìn)行實(shí)驗(yàn)對(duì)比分析.其中,局部線性回歸法是對(duì)物理節(jié)點(diǎn)的歷史數(shù)據(jù)進(jìn)行線性擬合,從而得到擬合曲線函數(shù),進(jìn)而預(yù)測(cè)得出物理節(jié)點(diǎn)下一時(shí)間段的負(fù)載值.本文采用的評(píng)價(jià)指標(biāo)是數(shù)據(jù)中心能耗值和虛擬機(jī)遷移次數(shù).

通過(guò)CloudSim模擬了云數(shù)據(jù)中心,其中包括800臺(tái)物理主機(jī),1052個(gè)虛擬機(jī).物理主機(jī)由如表1兩種型號(hào)組成.為了使該實(shí)驗(yàn)具有現(xiàn)實(shí)意義,采用來(lái)自COMON項(xiàng)目中監(jiān)測(cè)PlanetLab平臺(tái)在2011年3月3日這一天的CPU利用率數(shù)據(jù)作為數(shù)據(jù)中心物理主機(jī)實(shí)際負(fù)載值,該數(shù)據(jù)每5 min采集一次,在24 h內(nèi)共采集了288個(gè)樣本點(diǎn).

表1 物理主機(jī)組成

在進(jìn)行對(duì)比實(shí)驗(yàn)之前,為了找出傳統(tǒng)二次指數(shù)平滑預(yù)測(cè)方法中預(yù)測(cè)精度最高的平滑系數(shù),本文從采集到的物理主機(jī)實(shí)際負(fù)載值中選取連續(xù)10期負(fù)載值作為實(shí)際值,分別使用平滑系數(shù)值為0.4、0.5、0.6、0.7和0.8進(jìn)行預(yù)測(cè)分析,并計(jì)算得到相應(yīng)的標(biāo)準(zhǔn)方差值,如圖2所示,可以看出,當(dāng)平滑系數(shù)的取值是0.6時(shí),所獲得的標(biāo)準(zhǔn)方差值較小,即預(yù)測(cè)精度較高.因此,采用平滑系數(shù)為0.6的ESP方法與本文的DyESP方法進(jìn)行實(shí)驗(yàn)對(duì)比分析.

如圖3所示,展現(xiàn)了當(dāng)實(shí)際數(shù)據(jù)取不同期數(shù)時(shí),使用平滑系數(shù)為0.6的ESP方法得到的各期誤差和與使用本文的自適應(yīng)預(yù)測(cè)機(jī)制得到的各期誤差和的對(duì)比結(jié)果.由圖可知,使用自適應(yīng)預(yù)測(cè)機(jī)制所得出的誤差和比使用ESP方法所得出的誤差和小,說(shuō)明使用自適應(yīng)預(yù)測(cè)機(jī)制精度更高.由圖得知,當(dāng)期數(shù)大于 10 期時(shí),誤差和趨于穩(wěn)定,說(shuō)明各期數(shù)據(jù)的誤差相對(duì)于低于10期時(shí)更小,精度更高.因此,本文采用 10 期的歷史負(fù)載值作為預(yù)測(cè)的實(shí)際值.

圖3 不用期數(shù)的誤差和對(duì)比

如圖4所示,展現(xiàn)了使用平滑系數(shù)為0.6的ESP方法得到的下一時(shí)刻預(yù)測(cè)值與實(shí)際值的誤差以及使用本文的自適應(yīng)預(yù)測(cè)機(jī)制得到下一時(shí)刻負(fù)載值與預(yù)測(cè)值的誤差對(duì)比.該實(shí)驗(yàn)采用連續(xù)10期物理主機(jī)歷史負(fù)載值作為初始數(shù)據(jù),分別使用ESP方法和DyESP方法對(duì)其進(jìn)行預(yù)測(cè),將預(yù)測(cè)值與實(shí)際第11期數(shù)據(jù)進(jìn)行比較,獲得誤差值.圖4由圖可知,使用自適應(yīng)預(yù)測(cè)機(jī)制得到的誤差比使用二次指數(shù)平滑預(yù)測(cè)法得到的誤差小,即預(yù)測(cè)的精度相對(duì)較高.

圖4 不同方法預(yù)測(cè)值與實(shí)際值誤差

如表2所示,是分別使用LR方法、ESP方法和本文提出的DyESP方法獲得的數(shù)據(jù)中心能耗值以及虛擬機(jī)遷移次數(shù)的實(shí)驗(yàn)結(jié)果對(duì)比.結(jié)果表明,與LR和ESP相比,本文的DyESP方法在數(shù)據(jù)中心能耗方面分別降低約為34.26%、7.34%;虛擬機(jī)遷移次數(shù)方面分別降低約為80.99%、58.55%.

表2 實(shí)驗(yàn)結(jié)果

圖5是數(shù)據(jù)中心能耗值隨時(shí)間變化的趨勢(shì).該對(duì)比實(shí)驗(yàn)分別對(duì)一天內(nèi)第 4 h、8 h、12 h、16 h 和 20 h的能耗值進(jìn)行數(shù)據(jù)檢測(cè)記錄,從圖中能夠看出,相比LR和ESP方法,本文提出的DyESP方法在4 h和8 h時(shí)監(jiān)測(cè)到的數(shù)據(jù)中心能耗沒(méi)有明顯的降低,因?yàn)?此刻數(shù)據(jù)中心物理主機(jī)剛開(kāi)始工作,處理任務(wù)時(shí)間較短,任務(wù)量較少,所產(chǎn)生的能耗沒(méi)有較大差距,但隨著時(shí)間的延長(zhǎng),物理主機(jī)處理的任務(wù)越來(lái)越多,各個(gè)物理主機(jī)的資源利用率越來(lái)越大,數(shù)據(jù)中心所產(chǎn)生的能耗量也越來(lái)越大,此時(shí),采用不同預(yù)測(cè)算法所獲得的能耗值差距也在不斷增大,由圖3可以看出,本文的DyESP方法在降低能耗方面有較明顯的優(yōu)勢(shì).

圖6是虛擬機(jī)的遷移次數(shù)隨時(shí)間變化的趨勢(shì).該對(duì)比實(shí)驗(yàn)同樣對(duì)一天內(nèi)第 4 h、8 h、12 h、16 h 和 20 h的能耗值進(jìn)行數(shù)據(jù)檢測(cè)記錄,相比LR和ESP方法,本文提出的DyESP方法在4 h時(shí)檢測(cè)到虛擬機(jī)遷移次數(shù)下降趨勢(shì)不明顯,主要原因是數(shù)據(jù)中心物理主機(jī)一開(kāi)始處理的任務(wù)量較少,資源占用率低,物理主機(jī)出現(xiàn)過(guò)載狀態(tài)較少,因此,需要進(jìn)行虛擬機(jī)遷移的情況較少.但隨著時(shí)間推移,數(shù)據(jù)中心中各物理主機(jī)需要處理的任務(wù)量逐漸增加,物理主機(jī)的資源利用率開(kāi)始不斷增加,使得物理主機(jī)出現(xiàn)過(guò)載狀態(tài)的情況越來(lái)越多因此,虛擬機(jī)遷移次數(shù)開(kāi)始不斷增加,由圖6可以看出,采用不同預(yù)測(cè)算法所得到的虛擬機(jī)遷移次數(shù)的差距在不斷增大,由圖可知,本文的DyESP方法在降低虛擬機(jī)遷移次數(shù)方面有明顯的優(yōu)勢(shì).

圖6 虛擬機(jī)遷移次數(shù)隨時(shí)間變化

圖7是數(shù)據(jù)中心在2011年3月3日這一天的平均違例率.違例率的大小展示了數(shù)據(jù)中心服務(wù)質(zhì)量的好壞,違例率越小,說(shuō)明服務(wù)質(zhì)量越好;反之,服務(wù)質(zhì)量越差.由圖可知,DyESP方法相較于LR方法違例率有所提高,而與 ESP 方法相比,違例率有所下降.說(shuō)明,本文提出的自適應(yīng)策略所提供的服務(wù)質(zhì)量比ESP方法高,但沒(méi)有LR方法提供的服務(wù)質(zhì)量高.結(jié)合圖5和圖6的結(jié)果可知,本文提出的方法在降低能耗和降低虛擬機(jī)遷移次數(shù)方面都有較明顯的優(yōu)勢(shì),而在服務(wù)質(zhì)量方面的優(yōu)勢(shì)不足,這需要進(jìn)一步的研究.

圖7 不同方法違例率對(duì)比

4 結(jié)論

本文提出一種基于指數(shù)平滑預(yù)測(cè)的虛擬機(jī)自適應(yīng)遷移策略,通過(guò)判斷s期主機(jī)負(fù)載值是否連續(xù)超過(guò)閾值并呈上升趨勢(shì)來(lái)觸發(fā)預(yù)測(cè),然后根據(jù)連續(xù)n期歷史數(shù)據(jù)自適應(yīng)選擇平滑系數(shù)預(yù)測(cè)下一時(shí)刻的負(fù)載值,從而觸發(fā)虛擬機(jī)遷移,該方法將雙閾值和預(yù)測(cè)相結(jié)合,在一定程度上提高了預(yù)測(cè)精度,避免了因瞬時(shí)峰值而導(dǎo)致的虛擬機(jī)無(wú)效遷移.經(jīng)實(shí)驗(yàn)表明,本文提出的DyESP方法在提高預(yù)測(cè)精度、降低虛擬機(jī)遷移次數(shù)以及降低數(shù)據(jù)中心能耗方面有較明顯的優(yōu)勢(shì).下一步的工作是將本文提出的自適應(yīng)遷移策略進(jìn)一步改進(jìn),使其在滿足數(shù)據(jù)中心能耗和虛擬機(jī)遷移次數(shù)都降低的同時(shí),保證數(shù)據(jù)中心的服務(wù)質(zhì)量.