论文部分内容阅读
摘要：该文提出一种云计算环境下面向能耗降低的虚拟机管理模型，用于解决集中管理方法管理云数据中出现的高能耗、扩展性差、虚拟机迁移数量多的问题。本文方法分为两部分：本地管理和全局管理，该模型综合了本地管理和全局管理的优点，实验结果表明，该模型达到了减少虚拟机迁移的数量及提高了系统的服务质量，进一步降低管理云数据的能耗。
关键词：云计算；虚拟机；节能；本地管理；全局管理
中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2017）01-0222-02
1 引言
云计算[1-2]方便网络应用的同时面临严重的能耗问题。针对这个问题，虚拟化[3-4]应运而生。虚拟化使多个虚拟机实例同时运行在一台物理机上，以减少电源消耗。
目前，集中式管理方法常用于整合虚拟机。文献[5]采用类似装箱问题中的启发式方法降低能耗的同时保证系统性能。文献[6-7]采用不同的方法重组虚拟机用以降低能耗。
采用集中式管理方法虽然在一定程度上能够降低能耗，但是仍存在一些问题。（1）该方法重组虚拟机时需要消耗大量的资源，因此消耗的电能也越多。迁移虚拟机的过程中，其服务性能在一定程度上会降低，因此减少管理过程中的虚拟机迁移次数是必要的。（2）集中管理方法只适用较小规模的集群，很难管理大规模云计算系统。针对以上所存问题，为了实现降低能耗的目的，本文提出一种云计算环境下面向能耗降低的虚拟机管理模型。
2 分布式管理虚拟机模型
文献[8]研究服务器总电耗与CPU利用率之间的关系，即随着CPU的利用率从0到100%，服务器的总电耗呈线性增长，如公式（1）所示。
其中，指预计的电耗；和分别指服务器空闲时的电耗和当服务器满负载时的电耗；代表当前CPU的利用率。一个物理节点的总能耗E定义为一段时间内电耗的函数积分，如公式（2）所示：
由于服务器的能耗取决于CPU的利用率。因此，通过提高物理节点CPU的利用率可减少电耗。
2.1 分布式管理结构
分布式管理方法中，本地管理持续监控本地节点CPU利用率，全局管理收集本地的节点信息，选择最佳节点接收需要迁移的虚拟机。分布式管理结构如图1所示。
为了提高节点CPU的利用率，系统设置了一个低门限值。若低于该门限值，迁移该节点上的所有虚拟机，然后关闭该节点以达到节能的目的。另一方面，系统设置一个高门限值，若高于该值，迁移一定数量的虚拟机，用于提高系统服务质量。
分布式管理策略是监控分布在节点上的本地管理对其的CPU利用率。若在设定的门限值内，则虚拟机不发生迁移。若某节点超过设定的阈值，即处于异常状态，系统则做出以下反应：（1）从异常节点上选择迁移虚拟机；（2）选取其他物理节点接受（1）中迁移出的虚拟机。以下討论上述两方面。
（1）虚拟机的选择
本地管理首先从监控器捕捉到的异常节点进行虚拟机的迁移。通常会选择一个或多个虚拟机迁移出去，以消除异常现象。迁移分为一下两种情况：1）CPU利用率过高引起异常现象，本地迁移若干个虚拟机，迁移节点虚拟机的数量因具体情况而定。迁移的过程中首先CPU利用率按倒序排列，然后正序进行迁移。依此类推，直到该节点异常现象消除，则停止迁移。若因节点CPU利用率过低引起的异常现象，为了达到节能的目的，本地管理将该节点上的所有虚拟机迁移到其他节点并关闭该节点。
（2）物理节点的选择
全局管理模型首先预判断待迁移的虚拟机，判断是否存在物理节点接受该虚拟机后不出现异常现象。若存在，全局管理进而对该节点进行电耗评估，即计算这些节点接收虚拟机先后的电耗之差，选择最小电耗差的物理节点接收待迁移虚拟机。若没有满足条件的物理节点则不进行迁移。
3 仿真实验与分析
本文选择Cloudsim[9]平台作为仿真工具，该平台能够模拟大规模云计算数据中心的集群环境。Cloudsim平台对比集中管理方法和分布式管理方法，设置四组实验：实验1：物理节点数30，虚拟节点数90；实验2：物理节点数100，虚拟节点数300；实验3：物理节点数300，虚拟节点数900；实验4：物理节点数1000，虚拟节点数3000。
上述各规模的物理节点CPU配置均为3000MHz，内存为8GB，存储和带宽分别为1000GB和100Mb/s。虚拟机CPU的配置均为500MHz，内存为1GB，存储和带宽分别为100GB和25Mb/s。实验结果表明，虚拟机迁移过程中，由于需要迁移虚拟机，其CPU利用率增加了10%。
本文实验是分布式管理模型再不同门限值的情况下进行的。实验结果表明，当系统性能最佳时的高门限值为80%，低门限值为20%（限于篇幅，不罗列这部分实验结果）。因此，以下实验结果均是在该设置下完成的。
集群规模是物理节点数与虚拟机数之比。从图2可知，4组实验中，分布式管理方法较集中式管理方法分别减少了11%、18%、26%和31%的电耗，即云计算数据中心规模越大，分布式管理方法的电耗减少越多，原因是分布式管理方法设置的门限值减少了虚拟机迁移的次数。由于虚拟机迁移的次数减少了，则其消耗的CPU资源减少了，进而降低了能耗。
由图3可知，集群迁移数量会随着集群数量的增大而增大。但分布式管理方法的集群迁移数量明显低于集中式管理方法，其稳定性较高。
图4对比了集中式管理方法和分布式管理方法在不同集群规模下违反服务水平协议的概率。违反服务水平协议指虚拟机不能得到请求CPU的处理。违反服务水平协议的概率与系统服务质量成反比。实验表明，分布式管理方法比集中式管理方法的虚拟机迁移数量平均减少了68.24%，违反服务水平协议的概率平均减少了59.87%。由此可知，分布式管理方法可以很大程度的提高系统服务质量。 綜上所述，分布式管理方法可实现高效节能的同时提供更加可靠的服务质量。
4 结束语
本文提出的云计算环境下面向能耗降低的虚拟机管理模型，其分布式管理方法通过设置高门限值和低门限值决定虚拟机的迁移。实验结果证明，分布式管理方法在大规模云计算系统中能够保证可靠的服务质量，并实现云计算数据中心的高效节能。为以保证其在不能规模下云计算数据中心的高效节能效果，将进一步研究如何设置高门限值和低门限值。
参考文献：
[1] 陈康，郑纬民.云计算：系统实例与研究现状[J].软件学报，2009，20（5）：1337-1348.
[2] 江雪，李小勇.虚拟机动态迁移的研究[J].计算机应用，2008，28（9）：2375-2377.
[3] Susanta N. A Survey on Virtualization Technologies [EB/OL. （2011-06-20）. http：//www.ecsl.cs.sunysb.edu/tr/TR179.pdf.
[4] 金宏，王宏安，王强，等.一种任务优先级的综合设计方法[J].软件学报，2003，14（3）：376-382.
[5] 王永炎，王强，王宏安，等.基于优先级表的实时调度算法及其实现[J].软件学报，2004，15（3）：360-370.
[6] Armbrust M， Fox A， Griffith R， et al. Above the Clouds： A Berkeley View of Cloud Computing[EB/OL]. （2011-01-25）. http：//www.eecs.berkeley.edu/Pubs/TechRpts/2009/EECS-2009-28.pdf.
[7] Anton B， Rajkumar B. Energy Efficient Resource Management in Virtualized Cloud Data Centers[C]//Proc. of IEEE/ACM International Conference on Cluster， Cloud and Grid Computing. Melbourne， Australia： IEEE Computer Society， 2010.
[8] Fan Xiaobo， Weber W D， Barroso L A. Power Provisioning for Warehouse-sized Computer[C]//Proc. of the 34th Annual International Symposium on Computer Architecture. New York， USA： ACM Press， 2007.
关键词：云计算；虚拟机；节能；本地管理；全局管理
中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2017）01-0222-02
1 引言
云计算[1-2]方便网络应用的同时面临严重的能耗问题。针对这个问题，虚拟化[3-4]应运而生。虚拟化使多个虚拟机实例同时运行在一台物理机上，以减少电源消耗。
目前，集中式管理方法常用于整合虚拟机。文献[5]采用类似装箱问题中的启发式方法降低能耗的同时保证系统性能。文献[6-7]采用不同的方法重组虚拟机用以降低能耗。
采用集中式管理方法虽然在一定程度上能够降低能耗，但是仍存在一些问题。（1）该方法重组虚拟机时需要消耗大量的资源，因此消耗的电能也越多。迁移虚拟机的过程中，其服务性能在一定程度上会降低，因此减少管理过程中的虚拟机迁移次数是必要的。（2）集中管理方法只适用较小规模的集群，很难管理大规模云计算系统。针对以上所存问题，为了实现降低能耗的目的，本文提出一种云计算环境下面向能耗降低的虚拟机管理模型。
2 分布式管理虚拟机模型
文献[8]研究服务器总电耗与CPU利用率之间的关系，即随着CPU的利用率从0到100%，服务器的总电耗呈线性增长，如公式（1）所示。
其中，指预计的电耗；和分别指服务器空闲时的电耗和当服务器满负载时的电耗；代表当前CPU的利用率。一个物理节点的总能耗E定义为一段时间内电耗的函数积分，如公式（2）所示：
由于服务器的能耗取决于CPU的利用率。因此，通过提高物理节点CPU的利用率可减少电耗。
2.1 分布式管理结构
分布式管理方法中，本地管理持续监控本地节点CPU利用率，全局管理收集本地的节点信息，选择最佳节点接收需要迁移的虚拟机。分布式管理结构如图1所示。
为了提高节点CPU的利用率，系统设置了一个低门限值。若低于该门限值，迁移该节点上的所有虚拟机，然后关闭该节点以达到节能的目的。另一方面，系统设置一个高门限值，若高于该值，迁移一定数量的虚拟机，用于提高系统服务质量。
分布式管理策略是监控分布在节点上的本地管理对其的CPU利用率。若在设定的门限值内，则虚拟机不发生迁移。若某节点超过设定的阈值，即处于异常状态，系统则做出以下反应：（1）从异常节点上选择迁移虚拟机；（2）选取其他物理节点接受（1）中迁移出的虚拟机。以下討论上述两方面。
（1）虚拟机的选择
本地管理首先从监控器捕捉到的异常节点进行虚拟机的迁移。通常会选择一个或多个虚拟机迁移出去，以消除异常现象。迁移分为一下两种情况：1）CPU利用率过高引起异常现象，本地迁移若干个虚拟机，迁移节点虚拟机的数量因具体情况而定。迁移的过程中首先CPU利用率按倒序排列，然后正序进行迁移。依此类推，直到该节点异常现象消除，则停止迁移。若因节点CPU利用率过低引起的异常现象，为了达到节能的目的，本地管理将该节点上的所有虚拟机迁移到其他节点并关闭该节点。
（2）物理节点的选择
全局管理模型首先预判断待迁移的虚拟机，判断是否存在物理节点接受该虚拟机后不出现异常现象。若存在，全局管理进而对该节点进行电耗评估，即计算这些节点接收虚拟机先后的电耗之差，选择最小电耗差的物理节点接收待迁移虚拟机。若没有满足条件的物理节点则不进行迁移。
3 仿真实验与分析
本文选择Cloudsim[9]平台作为仿真工具，该平台能够模拟大规模云计算数据中心的集群环境。Cloudsim平台对比集中管理方法和分布式管理方法，设置四组实验：实验1：物理节点数30，虚拟节点数90；实验2：物理节点数100，虚拟节点数300；实验3：物理节点数300，虚拟节点数900；实验4：物理节点数1000，虚拟节点数3000。
上述各规模的物理节点CPU配置均为3000MHz，内存为8GB，存储和带宽分别为1000GB和100Mb/s。虚拟机CPU的配置均为500MHz，内存为1GB，存储和带宽分别为100GB和25Mb/s。实验结果表明，虚拟机迁移过程中，由于需要迁移虚拟机，其CPU利用率增加了10%。
本文实验是分布式管理模型再不同门限值的情况下进行的。实验结果表明，当系统性能最佳时的高门限值为80%，低门限值为20%（限于篇幅，不罗列这部分实验结果）。因此，以下实验结果均是在该设置下完成的。
集群规模是物理节点数与虚拟机数之比。从图2可知，4组实验中，分布式管理方法较集中式管理方法分别减少了11%、18%、26%和31%的电耗，即云计算数据中心规模越大，分布式管理方法的电耗减少越多，原因是分布式管理方法设置的门限值减少了虚拟机迁移的次数。由于虚拟机迁移的次数减少了，则其消耗的CPU资源减少了，进而降低了能耗。
由图3可知，集群迁移数量会随着集群数量的增大而增大。但分布式管理方法的集群迁移数量明显低于集中式管理方法，其稳定性较高。
图4对比了集中式管理方法和分布式管理方法在不同集群规模下违反服务水平协议的概率。违反服务水平协议指虚拟机不能得到请求CPU的处理。违反服务水平协议的概率与系统服务质量成反比。实验表明，分布式管理方法比集中式管理方法的虚拟机迁移数量平均减少了68.24%，违反服务水平协议的概率平均减少了59.87%。由此可知，分布式管理方法可以很大程度的提高系统服务质量。 綜上所述，分布式管理方法可实现高效节能的同时提供更加可靠的服务质量。
4 结束语
本文提出的云计算环境下面向能耗降低的虚拟机管理模型，其分布式管理方法通过设置高门限值和低门限值决定虚拟机的迁移。实验结果证明，分布式管理方法在大规模云计算系统中能够保证可靠的服务质量，并实现云计算数据中心的高效节能。为以保证其在不能规模下云计算数据中心的高效节能效果，将进一步研究如何设置高门限值和低门限值。
参考文献：
[1] 陈康，郑纬民.云计算：系统实例与研究现状[J].软件学报，2009，20（5）：1337-1348.
[2] 江雪，李小勇.虚拟机动态迁移的研究[J].计算机应用，2008，28（9）：2375-2377.
[3] Susanta N. A Survey on Virtualization Technologies [EB/OL. （2011-06-20）. http：//www.ecsl.cs.sunysb.edu/tr/TR179.pdf.
[4] 金宏，王宏安，王强，等.一种任务优先级的综合设计方法[J].软件学报，2003，14（3）：376-382.
[5] 王永炎，王强，王宏安，等.基于优先级表的实时调度算法及其实现[J].软件学报，2004，15（3）：360-370.
[6] Armbrust M， Fox A， Griffith R， et al. Above the Clouds： A Berkeley View of Cloud Computing[EB/OL]. （2011-01-25）. http：//www.eecs.berkeley.edu/Pubs/TechRpts/2009/EECS-2009-28.pdf.
[7] Anton B， Rajkumar B. Energy Efficient Resource Management in Virtualized Cloud Data Centers[C]//Proc. of IEEE/ACM International Conference on Cluster， Cloud and Grid Computing. Melbourne， Australia： IEEE Computer Society， 2010.
[8] Fan Xiaobo， Weber W D， Barroso L A. Power Provisioning for Warehouse-sized Computer[C]//Proc. of the 34th Annual International Symposium on Computer Architecture. New York， USA： ACM Press， 2007.