基于模糊動(dòng)態(tài)閾值機(jī)制的能效虛擬機(jī)合并決策方法

陳 妍

(廣西財(cái)經(jīng)學(xué)院研究生處 廣西 南寧 530003)

0 引 言

云數(shù)據(jù)中心的主機(jī)PM功耗是云計(jì)算應(yīng)用研究領(lǐng)域不可回避的問題，它帶來了巨大的能源消耗，大幅增加了云計(jì)算環(huán)境的運(yùn)營成本。研究表明，云計(jì)算環(huán)境中數(shù)據(jù)中心的運(yùn)營總成本中，基礎(chǔ)設(shè)施和電力成本占近70%，而信息技術(shù)成本僅占30%[1]。利用虛擬化技術(shù)使得多個(gè)虛擬機(jī)可以部署在同一臺(tái)主機(jī)上，并在多個(gè)虛擬機(jī)之間實(shí)現(xiàn)負(fù)載的平衡[2-6]，并以此改善數(shù)據(jù)中心中主機(jī)的能效，但在此過程中涉及虛擬機(jī)資源合理合并的問題。而另一個(gè)需要面臨的問題是數(shù)據(jù)中心中擁有隨機(jī)變化的負(fù)載狀態(tài)，它會(huì)導(dǎo)致虛擬機(jī)合并對主機(jī)中的資源預(yù)留產(chǎn)生負(fù)面影響，進(jìn)一步導(dǎo)致服務(wù)等級協(xié)議SLA的違例，影響服務(wù)性能。同時(shí)，虛擬機(jī)合并過程中，超載主機(jī)的虛擬機(jī)需要遷移以平衡負(fù)載，而低載主機(jī)上的虛擬機(jī)遷移后會(huì)轉(zhuǎn)換為節(jié)能休眠模式。這會(huì)增加虛擬機(jī)遷移次數(shù)，且每次遷移會(huì)請求額外的計(jì)算開銷，從而導(dǎo)致功能的增加。因此，在滿足SLA的同時(shí)，優(yōu)化能耗和資源利用率是亟待解決的問題。

相關(guān)研究[7-11]將利用虛擬機(jī)合并優(yōu)化能耗問題劃分為四個(gè)步驟:1)發(fā)現(xiàn)數(shù)據(jù)中心中的超載主機(jī)。超載主機(jī)會(huì)導(dǎo)致主機(jī)資源不足和服務(wù)性能降低，導(dǎo)致用戶得到低質(zhì)量的服務(wù)。因此，為了改善超載主機(jī)的服務(wù)質(zhì)量，一些虛擬機(jī)必須遷移至合適的目標(biāo)主機(jī)上[12]。2)定義低載主機(jī)，將其負(fù)載遷移至其他主機(jī)上，并將該主機(jī)轉(zhuǎn)換為節(jié)能模式。該步驟有利于節(jié)省空閑主機(jī)的無用功耗，但是需要將其上的所有虛擬機(jī)遷移至合適目標(biāo)主機(jī)上。3)尋找來自于超載或低載主機(jī)的遷移虛擬機(jī)的合適部署目標(biāo)主機(jī)。4)在超載主機(jī)上選擇最優(yōu)的虛擬機(jī)進(jìn)行遷移。虛擬機(jī)合并[13]固然是改善主機(jī)功耗的有效方法，但是也會(huì)帶來由于數(shù)據(jù)中心負(fù)載變化而引起的性能下降。

已有研究方法通過分析先前歷史負(fù)載發(fā)現(xiàn)超載主機(jī)，多是基于資源利用率的固定閾值方法，這并不適用于無法預(yù)測負(fù)載的動(dòng)態(tài)云計(jì)算環(huán)境，因?yàn)樗鼤?huì)導(dǎo)致虛擬機(jī)遷移量的增加，從而影響服務(wù)質(zhì)量。閾值必須根據(jù)當(dāng)前負(fù)載進(jìn)行自適應(yīng)調(diào)整。為了解決這一問題，本文提出了一種模糊動(dòng)態(tài)閾值方法對虛擬機(jī)合并過程進(jìn)行決策，在動(dòng)態(tài)負(fù)載環(huán)境下實(shí)現(xiàn)最小化的虛擬機(jī)遷移量。算法基于當(dāng)前的資源利用率、預(yù)測利用率以及CPU的當(dāng)前閾值，動(dòng)態(tài)調(diào)整閾值的上下限。為了自適應(yīng)調(diào)整，算法通過預(yù)測值與實(shí)際值的差異，計(jì)算主機(jī)的剩余資源能力和溫度。而剩余能力和主機(jī)溫度的計(jì)算值則進(jìn)一步用于動(dòng)態(tài)調(diào)整閾值的上下限。剩余能力和主機(jī)溫度的模糊值則用于計(jì)算閾值變化。若閾值變化為正值，則表明需要增加先前閾值；若為負(fù)值，則需要降低先前閾值。閾值增加或降低量則由剩余能力和主機(jī)溫度的模糊值進(jìn)行動(dòng)態(tài)決策。最終，算法可以以最小化虛擬機(jī)遷移量為目標(biāo)動(dòng)態(tài)改變主機(jī)資源利用閾值，消除無用遷移，降低主機(jī)功耗。

1 相關(guān)研究工作

目前，很多研究方法已集中于云數(shù)據(jù)中心的能效優(yōu)化，多集中于最小化能耗的虛擬機(jī)合并方法[14-16]。該方法需要在超載主機(jī)上進(jìn)行有選擇的在線虛擬機(jī)遷移，以及低載主機(jī)的全部虛擬機(jī)遷移。一些方法[7,12,17]利用閾值方法完成虛擬機(jī)合并，包括靜態(tài)閾值和動(dòng)態(tài)閾值決定超載和低載主機(jī)。靜態(tài)閾值有利于發(fā)現(xiàn)超載主機(jī)，而動(dòng)態(tài)閾值則可以利用先前負(fù)載數(shù)據(jù)調(diào)整分析新的閾值。閾值方法中，若主機(jī)CPU利用超過上限，則將其考慮為超載主機(jī)；若低于下限，則考慮為低載主機(jī)，如文獻(xiàn)[13，18-19]均采用了靜態(tài)的上下閾值方法。這類方法試圖將當(dāng)前的CPU利用率保持在上下限值范圍內(nèi)。但是，任務(wù)負(fù)載并非一成不變，動(dòng)態(tài)負(fù)載會(huì)使得虛擬機(jī)利用是連續(xù)變化的。文獻(xiàn)[7]利用線性回歸預(yù)測CPU利用率，并相應(yīng)作出虛擬機(jī)遷移決策。其未來的CPU利用基于先前利用率進(jìn)行預(yù)測，且在初期進(jìn)行虛擬機(jī)遷移以避免SLA違例。但是，該方法得到的不必要遷移過多，計(jì)算代價(jià)過高，不適合于云環(huán)境。文獻(xiàn)[12]利用閾值方法避免CPU被100%占用，從而導(dǎo)致性能下降。雖然該方法可以確保利用率低于上閾值，但是不變的閾值在面臨動(dòng)態(tài)負(fù)載時(shí)仍然無法準(zhǔn)確地確定未來的資源占用。文獻(xiàn)[13]分析了發(fā)現(xiàn)超載主機(jī)的不同方法，以確保在能耗和性能間取得均衡。文獻(xiàn)設(shè)計(jì)了自適應(yīng)的閾值確定方法，包括中位絕對誤差法MAD、四分位法IQR、局部回歸LR和局部加強(qiáng)回歸LRR。前兩種方法可以利用先前值在預(yù)測值的基礎(chǔ)上對閾值進(jìn)行自適應(yīng)調(diào)整。算法主要集中于根據(jù)CPU利用率的誤差長度調(diào)整上閾值。然而，MAD會(huì)由于小數(shù)量的極端值間的距離量級而產(chǎn)生限制，這會(huì)使最終預(yù)測結(jié)果產(chǎn)生較大誤差。后兩種方法雖然可以得到較好的預(yù)測值，但方法過于復(fù)雜，且對樣本數(shù)據(jù)的要求精度過高。文獻(xiàn)[20]利用模糊Q學(xué)習(xí)方法發(fā)現(xiàn)超載主機(jī)。該算法利用一種模糊聚類機(jī)制對高斯隸屬度函數(shù)進(jìn)行評估，但求解時(shí)間太長，收斂性能無法得到保證。

為了解決已有靜態(tài)閾值方法和自適應(yīng)動(dòng)態(tài)閾值方法的限制，本文引入利用基于先前負(fù)載趨勢的預(yù)測負(fù)載下的模糊閾值算法。算法根據(jù)當(dāng)前資源利用率、預(yù)測利用率以及CPU的當(dāng)前閾值，調(diào)整主機(jī)的上下限閾值。為了實(shí)現(xiàn)該目的，算法首先計(jì)算主機(jī)被利用服務(wù)于虛擬機(jī)后的剩余能力和主機(jī)的溫度，并得到當(dāng)前值與實(shí)際利用值的差值。主機(jī)剩余能力和溫度值的計(jì)算值進(jìn)一步用于調(diào)整上下限閾值。而剩余能力和主機(jī)溫度值的模糊值則用于計(jì)算閾值的變化。若閾值變化為正值，則表明需要增加先前閾值；若為負(fù)值，則需要降低先前閾值。閾值增加或降低量則由剩余能力和主機(jī)溫度的模糊值進(jìn)行動(dòng)態(tài)決策。最終，算法可以以最小化虛擬機(jī)遷移量為目標(biāo)動(dòng)態(tài)改變主機(jī)資源利用閾值，消除無用遷移，降低主機(jī)功耗。

2 基于模糊動(dòng)態(tài)閾值能效虛擬機(jī)合并算法

2.1 算法設(shè)計(jì)

本文將提出的基于模糊動(dòng)態(tài)閾值的能效虛擬機(jī)合并算法命名為EVMCFDT算法。算法的實(shí)施由多個(gè)組件構(gòu)成，如圖1所示。算法實(shí)施的云計(jì)算環(huán)境中假設(shè)多個(gè)虛擬機(jī)可運(yùn)行在相同的主機(jī)上，每個(gè)虛擬機(jī)可以運(yùn)行一類應(yīng)用任務(wù)。具體地，系統(tǒng)由三個(gè)組件構(gòu)成：虛擬中央處理單元VCPU利用控制組件、VCPU利用預(yù)測組件、模糊控制組件。

圖1 算法模型

EVMCFDT算法根據(jù)CPU的當(dāng)前利用率和預(yù)測利用率計(jì)算主機(jī)的剩余能力(以MIPS數(shù)量衡量)和主機(jī)溫度。CPU利用率的歷史數(shù)值進(jìn)一步用于預(yù)測CPU的未來利用率。最后，主機(jī)溫度計(jì)算為當(dāng)前利用率與預(yù)測利用率的差值。EVMCFDT算法模型中模糊組件將主機(jī)溫度和主機(jī)剩余能力值作為輸入，該輸入值通過子組件模糊器Fuzzifer進(jìn)行模糊化，進(jìn)而觸發(fā)子組件推理系統(tǒng)Inference system中規(guī)則庫Rule base中相應(yīng)規(guī)則。規(guī)則庫基于模糊輸入值返回閾值變化的模糊值，而閾值變化模糊值通過子組件去模糊化器Defuz-zifer進(jìn)行去模糊化，以得到新的閾值的語義值。三個(gè)組件的具體工作方式如下：

1)VCPU利用率控制組件。該組件負(fù)責(zé)度量處理器計(jì)算資源的當(dāng)前利用率。為了對主機(jī)當(dāng)前利用率計(jì)算進(jìn)行形式化，令P={p1,p2,…,pN}表示數(shù)據(jù)中心內(nèi)所有主機(jī)的集合。主機(jī)pi的CPU資源的當(dāng)前利用率可計(jì)算為如下的矩陣形式：

因此，在時(shí)隙k內(nèi)主機(jī)的CPU利用率可計(jì)算為：

(1)

2)VCPU利用率預(yù)測組件。該組件負(fù)責(zé)預(yù)測CPU的未來需求，根據(jù)歷史數(shù)值計(jì)算資源的預(yù)測值。多種方法[21-22]可用于云環(huán)境中虛擬機(jī)對于CPU的未來需求的預(yù)測，本文將利用自回歸積分移動(dòng)平均法ARIMA在基于先前值的情況下對CPU未來需求進(jìn)行預(yù)測。為了對預(yù)測模型進(jìn)行形式化表示，在已有數(shù)據(jù)中心主機(jī)集合的前提下，主機(jī)pi的CPU資源利用率的預(yù)測值可計(jì)算為：

(2)

3)模糊控制組件。該組件是基于模糊邏輯的反饋控制器，其具體組成如圖2所示，由四個(gè)子組件構(gòu)成：模糊器Fuzzifer、推理系統(tǒng)Inference system、規(guī)則庫Rule base、去模糊器Defuzzifier。

圖2 模糊控制組件的結(jié)構(gòu)

模糊控制組件接收兩個(gè)輸入?yún)?shù)：主機(jī)溫度Ptemp和主機(jī)的剩余能力Crem。兩個(gè)參數(shù)根據(jù)CPU資源的當(dāng)前利用率、預(yù)測利用率以及空閑的MIPS計(jì)算得到，如圖1所示。具體地，時(shí)間k時(shí)CPU的兩個(gè)參數(shù)值分別計(jì)算為：

(3)

(4)

其中：Crem表示主機(jī)的剩余能力，為實(shí)際可用的CPU能力與觀測到的VCPU利用率的差值；UtilizedMIPS表示主機(jī)上已經(jīng)利用的CPU的MIPS；TotalMIPS表示總共分配的CPU的MIPS。推理系統(tǒng)接收主機(jī)溫度和主機(jī)剩余能力的模糊值作為輸入。主機(jī)溫度和主機(jī)剩余能力的模糊值則利用模糊三角隸屬度函數(shù)進(jìn)行計(jì)算，如圖3所示。

(a)對于Crem的隸屬度函數(shù)

由圖3(a)-(b)，Crem可以得到三個(gè)模糊值，分別為Low、Medium和High，Ptemp可以得到三個(gè)可能的模糊值，分別為Cold、Normal和Hot。其關(guān)聯(lián)度則可以通過三角隸屬度函數(shù)計(jì)算得到。推理系統(tǒng)基于輸入?yún)?shù)的模糊值觸發(fā)規(guī)則庫，生成一個(gè)模糊輸出值作為閾值的變化。模糊輸出值進(jìn)一步通過輸出隸屬度函數(shù)被去模糊化，如圖3(c)所示。

去模糊器子組件Defuzzifier結(jié)合規(guī)則，通過推理系統(tǒng)利用引力中心策略COG計(jì)算控制行為。推理系統(tǒng)選擇的模糊規(guī)則可能得到一個(gè)以上的模糊結(jié)果。因此，利用引力中心策略，控制行為的數(shù)值結(jié)果可以計(jì)算為：

(5)

式中：μ表示隸屬度函數(shù)的等級i；aij表示規(guī)則表中對應(yīng)的單元值，具體如表1所示。

表1 算法規(guī)則庫

規(guī)則庫由一個(gè)模糊規(guī)則集合構(gòu)成，可基于輸入的模糊參數(shù)作出行為決策。規(guī)則以“If-Then”表述的形式存儲(chǔ)，可以將控制知識(shí)轉(zhuǎn)換為推理系統(tǒng)組件所能進(jìn)一步利用的形狀。具體地，規(guī)則庫中的規(guī)則定義了其可被應(yīng)用的條件以及控制其應(yīng)用的輸出。算法模型中，If將在主機(jī)溫度和剩余能力的模糊輸入?yún)?shù)下被應(yīng)用以生成閾值的變化值。

表1中的每個(gè)單元代表規(guī)則庫的一個(gè)具體規(guī)則。例如：IfPtemp為Hot，Crem為Low，Then輸出的閾值變化為SI(small increase)，即表明所獲得的閾值新值為已有閾值基礎(chǔ)上較小增加的值。

2.2 算例分析

兩個(gè)輸入?yún)?shù)值通過利用三角隸屬度函數(shù)的模糊器進(jìn)行模糊化，如圖3(a)和圖3(b)所示。如前所述，此時(shí)可以得到規(guī)則庫表中的多重值，而最終的輸出為多重值的聚合，并利用圖4中的引力中心策略COG計(jì)算得到。算法利用的是每個(gè)單元值中隸屬度函數(shù)的最小值，如圖4所示。

圖4 EVMCFDT算法的模糊取值過程實(shí)例

COG的最終輸出值計(jì)算為：

-2.19?-2%

所計(jì)算的閾值變化控制行為為-2，因此，新的閾值計(jì)算為：

New_Thi=C_Thi+controlAction=90-2=88%

算法實(shí)施過程中，閾值的調(diào)整周期性進(jìn)行，以滿足云數(shù)據(jù)中心內(nèi)主機(jī)負(fù)載的動(dòng)態(tài)變化。同時(shí)，算法約定若當(dāng)前利用率低于30%，則主機(jī)將被視為低載主機(jī)，此時(shí)，其上部署的所有虛擬機(jī)將被遷移至其他主機(jī)上。

3 性能評估比較

3.1 實(shí)驗(yàn)搭建

為了評估EVMCFDT算法的性能，利用CloudSim仿真工具包模擬云環(huán)境下的數(shù)據(jù)中心。仿真環(huán)境由N臺(tái)異構(gòu)主機(jī)組成，利用三類型負(fù)載數(shù)據(jù)進(jìn)行實(shí)驗(yàn)評估，主機(jī)承擔(dān)的負(fù)載相關(guān)參數(shù)主要包括執(zhí)行負(fù)載的整體虛擬機(jī)VM請求數(shù)量、相應(yīng)負(fù)載的均值、標(biāo)準(zhǔn)方差、第1個(gè)四分位差值、中值以及第3個(gè)四分位差值，具體負(fù)載數(shù)據(jù)的相關(guān)特征描述如表2所示。可以看出，三種負(fù)載在虛擬機(jī)請求量上均有差別，負(fù)載2的請求量最多；而負(fù)載均值、標(biāo)準(zhǔn)方差等統(tǒng)計(jì)量的描述上的不同則說明了三種測試負(fù)載會(huì)在不同時(shí)間段出現(xiàn)不同的負(fù)載分布。四分位差則反映的是中間負(fù)載的離散程度，其值越小表明中間負(fù)載越集中，其值越大則表明負(fù)載較為分散。總體來說，三種負(fù)載數(shù)據(jù)之間從統(tǒng)計(jì)特征上來說具有較大的差異性，而負(fù)載特征的不同類型可以充分測試虛擬機(jī)合并算法的穩(wěn)定性和健壯性。

表2 負(fù)載數(shù)據(jù)相關(guān)特征值

利用基于Java的開源庫jFuzzy-Logic[23]實(shí)現(xiàn)算法的模糊邏輯。jFuzzy-Logic庫提供了一種模糊推理系統(tǒng)FIS的完整實(shí)現(xiàn)方式，并可以內(nèi)嵌在CloudSim平臺(tái)中實(shí)現(xiàn)算法的模型機(jī)制。同時(shí)，實(shí)驗(yàn)中利用CoMon工程中的PlanetLab[24]所提供的現(xiàn)實(shí)負(fù)載流數(shù)據(jù)進(jìn)行測試。

主機(jī)的CPU頻率以每秒百萬指令數(shù)MIPS表示，主機(jī)均是雙核處理器配置。選擇的主機(jī)類型1為HP ProLian ML110 G4，每個(gè)核心配置1160MIPS，類型2為HP ProLian ML110 G5，每個(gè)核心配置2660MIPS。每臺(tái)主機(jī)提供1 GBit/s的帶寬。假設(shè)虛擬機(jī)類型特征參照Amazon EC2中的實(shí)例類型進(jìn)行創(chuàng)建，包括：high-CPU medium實(shí)例，配置為2 500MIPS、0.15 GB；extra-large實(shí)例，配置為2 000MIPS、3.75 GB，以及small實(shí)例，配置為1 000MIPS、1.7 GB；micro實(shí)例，配置為500MIPS、613 MB。仿真實(shí)驗(yàn)中，從PlanetLab數(shù)據(jù)流中選擇了三個(gè)不同日期的負(fù)載流數(shù)作為虛擬機(jī)上的隨機(jī)負(fù)載數(shù)據(jù)進(jìn)行測試。

EVMCFDT算法為計(jì)算閾值變化，主要涉及三種類型的具體操作，即計(jì)算CPU利用率、預(yù)測CPU利用率以及根據(jù)主機(jī)溫度和主機(jī)剩余能力的模糊輸入計(jì)算閾值變化的FIS。算法的輸出是調(diào)整閾值的上下限以降低虛擬機(jī)遷移頻率并改善主機(jī)能效。

3.2 性能指標(biāo)

1)功耗。本文利用線性功率模型度量主機(jī)功耗[12,25]。每臺(tái)主機(jī)的線性功率模型表示為：

P(cu)=k×Pmax+(1-k)×Pmax×cu

(6)

式中：Pmax表示主機(jī)滿負(fù)載利用時(shí)CPU的峰值功率，實(shí)驗(yàn)中設(shè)置為250 W；k表示靜態(tài)功率系數(shù)，等于空閑處理器的功耗。由文獻(xiàn)[25]可知，空閑CPU仍然會(huì)消耗100%利用的CPU的功耗的70%，因此，k取值為70%。

2)虛擬機(jī)遷移量。虛擬機(jī)的在線遷移代價(jià)通常較高，會(huì)導(dǎo)致CPU處理以及主機(jī)間的帶寬的額外消耗。同時(shí)，遷移進(jìn)行時(shí)，虛擬機(jī)保持不可用狀態(tài)。而遷移過程中虛擬機(jī)的不可用屬性將會(huì)導(dǎo)致SLA的違例。研究表明[13]，所有虛擬機(jī)的遷移需要占用近10%的CPU利用。因此，過多數(shù)量的虛擬機(jī)遷移勢必會(huì)帶來功耗的增加。而本文算法的目標(biāo)即是通過減少虛擬機(jī)遷移量來降低主機(jī)功耗。

3)SLA違例。利用兩個(gè)參數(shù)：每個(gè)活動(dòng)主機(jī)的SLA違例時(shí)間指標(biāo)SLATAH和遷移帶來的性能下降指標(biāo)PDM度量EVMCFDT算法的性能[26]。SLATAH定義為觀測到的活動(dòng)主機(jī)100%的CPU利用率的時(shí)間比例，即：

(7)

PDM定義為由于虛擬機(jī)在線遷移導(dǎo)致的性能下降(導(dǎo)致SLA違例)，即：

(8)

式中：N表示活動(dòng)主機(jī)數(shù)量；Tsi表示主機(jī)pi的100%CPU占用的總時(shí)間；Tai表示主機(jī)在活動(dòng)狀態(tài)下經(jīng)歷的總時(shí)間；M表示虛擬機(jī)的數(shù)量；Cdj表示由于遷移導(dǎo)致的虛擬機(jī)j的性能降低估算；Crj表示在其生命周期內(nèi)虛擬機(jī)j請求的總體CPU能力。因此，SLA違例指標(biāo)可定義為：

SLAV=SLATAH×PDM

(9)

為了度量算法在SLA違例和能效ESV方面的綜合性能，利用如下的ESV指標(biāo)[26]：

ESV=SLAV×Energy

(10)

3.3 實(shí)驗(yàn)結(jié)果

選擇文獻(xiàn)[13]中的IQR算法、MAD算法、LRR算法以及LR算法進(jìn)行性能對比。利用SLA違例、虛擬機(jī)遷移量、主機(jī)功耗，以及代表功耗與SLA違例均衡的ESV指標(biāo)進(jìn)行性能對比，結(jié)果如圖5-圖10所示。可以看到，EVMCFDT算法在所有測試工作流類型中均比其他算法擁有更好的性能表現(xiàn)。實(shí)驗(yàn)1中，EVMCFDT算法降低功耗約為25.12%，降低SLA違例(包括SLVA指標(biāo))約為49.09%，降低遷移量和ESV值分別約為52.69%和50.11%。實(shí)驗(yàn)2中，EVMCFDT算法降低功耗約為20.33%，降低SLA違例(包括SLVA指標(biāo))約為60.59%，降低遷移量和ESV值分別約為37.39%和44.19%。實(shí)驗(yàn)3中，EVMCFDT算法降低功耗約為22.55%，降低SLA違例(包括SLVA指標(biāo))約為59.14%，降低遷移量和ESV值分別約為41.51%和49.45%。此外，MAD和IQR算法在主機(jī)CPU利用率與先前利用率相同時(shí)出現(xiàn)一些限制，此時(shí)閾值會(huì)固定為接近100%。在這種情況下，MAD和IQR算法會(huì)導(dǎo)致更多的SLA違例。LR算法則更受觀察的CPU利用率的極端值的影響，但這無法代表大多數(shù)的數(shù)據(jù)行為。本文提出的EVMCFDT算法比較四種算法在動(dòng)態(tài)調(diào)整上下限閾值方面則展現(xiàn)出更好和更準(zhǔn)確的模糊決策，且不會(huì)受到極端數(shù)據(jù)點(diǎn)和低擴(kuò)散的先前數(shù)據(jù)點(diǎn)的影響。EVMCFDT算法利用基于當(dāng)前及先前數(shù)據(jù)值的模糊推理方法，有效計(jì)算了閾值變化，正確做出了對上下限閾值的調(diào)整，從而降低了虛擬機(jī)遷移量，并減少了主機(jī)功耗。

圖5 能耗指標(biāo)

圖6 虛擬機(jī)遷移量指標(biāo)

圖7 SLAV指標(biāo)

圖8 SLATAH指標(biāo)

圖9 PDM指標(biāo)

圖10 ESV指標(biāo)

如圖6所示，EVMCFDT算法有效降低了虛擬機(jī)遷移量，這直接影響了PDF的取值，算法也因此降低了SLAV，如圖8所示。EVMCFDT算法基于歷史數(shù)據(jù)利用預(yù)測負(fù)載值計(jì)算低閾值，可以降低由于超載主機(jī)上虛擬機(jī)遷移導(dǎo)致的功耗。

4 結(jié) 語

云數(shù)據(jù)中心動(dòng)態(tài)的負(fù)載狀態(tài)使得虛擬機(jī)合并技術(shù)會(huì)不可避免地帶來SLA違例和能耗的增加，實(shí)時(shí)有效發(fā)現(xiàn)超載和低載主機(jī)是提升資源利用率、優(yōu)化能耗和降低SLA違例所必須解決的關(guān)鍵問題。為此，提出一種模糊閾值決策方法用于動(dòng)態(tài)調(diào)整主機(jī)利用率閾值。算法利用模糊推理系統(tǒng)動(dòng)態(tài)調(diào)整主機(jī)資源利用閾值，使得超載主機(jī)上的虛擬機(jī)遷移大幅降低，并可以滿足服務(wù)等級協(xié)議。三種不同負(fù)載流下的仿真結(jié)果表明，算法比較基準(zhǔn)算法而言，在功耗、虛擬機(jī)遷移量以及SLA違例三個(gè)指標(biāo)方面平均可以降低約22.52%、45.63%和56.68%。算法的不足在于僅考慮了主機(jī)資源上最為關(guān)鍵的CPU利用率，下一步的研究可以同時(shí)將內(nèi)存以及帶寬資源考慮到算法優(yōu)化模型中，利用模糊推理模型分別求得多種資源的利用閾值，從而更加準(zhǔn)確地預(yù)測負(fù)載，得到有效的虛擬機(jī)合并過程。