论文研究-云环境下能耗优化的任务调度模型及虚拟机部署算法.pdf

所需积分/C币:25 2019-09-20 19:47:50 1.56MB .PDF
0
收藏 收藏
举报

论文研究-云环境下能耗优化的任务调度模型及虚拟机部署算法.pdf,  云计算环境下, 在满足用户服务级目标约束下, 如何有效地进行资源分配调度, 降低能耗, 已成为不容忽略的关键问题.针对目前云计算系统服务资源分配调度 问题在能耗方面的研究不足, 提出一种能耗优化的资源分配调度体系架构, 并基 于此架构设计了一个满足实时用户 SLA的能耗优化模型.该优化模型从系统级和 部件级两个层次进行能耗
770 系统工程理论与实践 第36卷 2)虚拟机分配器根据不同用户的SLA需求,从虚拟机镜像模板库中为其分配合理配置的虚拟机,构成 虚拟机资源库; 3)任务调度器依据能耗最优等原则,将已承担任务的虚拟机部署到不同的物理服务器上 4)监视器根据不同物理服务器上的应用运行情况,动态调整电压频率以及关闭空闲的宿主机优化系统 能耗 3数据中心能耗分析 云计算系统中的能耗主要来源于两个方面,一个是部件级的能耗,另一个是数据中心层次的能耗部件 级能耗主要包括CPU、内存、存储阵列、通信设备及其他部件(如主板、显卡等)的能耗,主要取决于利用率 夂负毂情况:数据中心能耗指系统层次能耗,主要来源于配套的冷却设施能耗.本文主要考虑在满足用户服 务级目标的约束下,寻找最优的虚拟机部署方案使服务器能耙最低,也即主要考虑服务器部件级能耗.部件 级能耗又可根据负载情况,分为静态空闲能耗和动态执行能耗 在韶件级能耗方面,对虚拟机的计算资源来说,首要考虑CPU的能耗情况,其能耗一般占总体部件级 能耗的40%~60%10.CPU的能耗依赖于多个因素,如处理器子单元的活动情况,执行特定指令的情况,片 上 Cache的使用情况,处于高低频的情况以及CPU利用率情况等.为了得到CPU能耗情况, Bellosa最早 提出了采用硬件性能计数器对CPU进行能耗建模,证明了 Pentium处理器的能耗和硬件性能计数器有着 很强的联系山.在文献12]中,提出计算机功率和CPU工作频率的关系为Pnx+Pff3,其中Pnx为常 数,表示除CPU以外其他设备的功率,Pr为CPU功率系数,f为CPU频率在文献13中, beloglazov 等学者提出了能耗和CPU利用率之间存在一个线性关系,定义了一个能耗关于CPU利用率的函数,如式: P()=k.Pax+(1-k)·Pax:,其中m代表CPU利用率,k代表服务器空闲所占功耗比,表示服务器完全 利用时的功率在文献[4中宋杰等提出了一个功率关于CPU利用率和CPU频率f的函数P(f,), 该函数是由两个偏导函数得出的.已知当U固定时,p=A1+B1∫3;另外当∫固定时,p=A2+B2,其 中A2表示CPU空闲时系统的功率,B2为使用率系数内存也是服务器的耗能部件,影响内存能耗的主要 因素是内存读写的吞吐量.系统的缓存中没有处理器所需数据时,处理器就需要访问内存 在云数据中心中,磁盘大多以RAID( redundant array of indcpcndent disks,磁盘阵列)的方式存在,由磁 盘阵刎控制器控制着物理磁盘, Hypervisor只能看到逻辑驱动,因此一般根据 Hypervisor检测到的参数进行 建模.与CPU和内存资源一样,需要跟踪每个虚拟机的磁盘使用参数,其中 Windows Hyper-V Hypervisor 已经实现了大部分的状态跟踪操作,每个虚拟机特定的磁盘使用率能从 Hyper-V的性能计数器里获得,它 们是 Hyper-V Virtual Storage Device和 Hyper- v Virtual ide controller.囚此,可以根据 Hypervisor检 测到的读和写的宇节数,以及这些读写的服务时间等参数建立虚拟机磁盘能耗模型15:Eak(T)=ab b(T)+awb×b()+disk,其中b()和b(T)表示虚拟机A在时间T内读和写的字节数.此外,根据 实验发现可以忽略虚拟机磁盘读和写的能耗差别、因此得到虚拟机的一个共同参数b(T),表示读和写的总 字节数,这样可以把模型简化为E(T)=0o×b(T)+ak 服务器其他部件,比如主板、显卡等鄙件的能耗值,是维持在一个较为稳定的小区间范围内.根据对云系 统服务器PM的功能部件分析可得其能耗 Eserver为 Eserver(PMi)= Ecpu(PMi)+ Emem (PMi)+ disk(PMi)+ enet(pmi 可根据服务器负载情况,分为静态空闲能耗和动态执行能耗,这样式(1)可表达为 (PM,)=Eidle(PM,)+ Edyna(PM 在式(2)中,Eidl(PM)是服务器不执行任何任务时的空转能耗,是一个较为稳定的值,一般占到峰值能耗 的50%~60%. edna(PM)是服务器执行任务时的动态能耗,是一个随负载动态变化的量 4面向SLA的能耗优化模型 在上文第2节提岀厶服务资源分配调度系统框架下,云数据中心基于虚拟化技术将不同资源整合在一 起,为不同的云用户提供其SLA需求的计算资源.云计算数据中心的每个物理服务器可以加载多个虚拟机, 用户应用程序的任务调度实质上是在虚拟机之间进行,在满足应用的服务级目标下,如何有效部署虚拟机,使 整个系统的能耗最优 第3期 朱海,等:云环境下能耗优化的任务调度模型及虚拟机部署算法 771 41场景描述与能耗优化模型 在云计算服务场景中,服务器资源支持动态电压/频率调整(DⅤFS)技术,可以根据负载执行情况动态调 整电压频率,并且每个物理服务器可以至少部署一个虚拟机ⅤM.对每个用户需求的虚拟机ⅤM来讲,其生 命周期与分配其上的应用时间同步.本文能耗优化问题主要研究将这些承载用户需求的虚拟机在满足STA 需求下,如何有效地部署到物理服务器上,使占用的物理服务资源最少.同时,根据不同物理服务器上的应用 运行情况.满足SLA约束下,动态调幣电压频率降低执行能耗 虚拟机部署问题是个组合优化问题,可以抽象为一个多维可变的装箱问题.假定厶服务场景数据中心有 M个物理节点即箱子,每个箱子有一组指定的静态资源能力向量(如CPU、内存、存储和网络带宽),另有 个时间维度动态向量取决于其上分配的虚拟机最长时间向量.为了简化起见,假定物理节点是同构的.箱 子集合为PM={PM1,…,PM,…,PMm},对vPM=(n,Tn)包含一个资源能力向量C和时 间向量1,资源向量C2=(Cn1,1,…,C1,k,…,Cn,d).在资源能力向量Cp中,Cn,k表示物理节点 PM;在第k维资源上的最大能力(如CPU、内存、存储和网络带宽).虚拟机vM代表物品,物品集合 VM={vM1,…,VM2,…,VMn},对WM=(Rn,T),包含一个资源需求向量R2和时间约束向量 Tn资源需求向量Rn=(Rn,1,……,Rm.k,…,Rn,d)与物理节点提供的资源分量相对应.对虚拟机VM 资源需求向量中第k维上的资源需求量Bn1.k须不大于物理节点PM在第k维上的提供的最大资源量 即 虚拟机的部署问题,即需找一种最优的装箱算法将N个不同的物品VM4(=1,2,…,m)部署到M个 箱子PM/(=1,2,……,m)上,使占用的箱子最少,系统服务器耗费的能耗最低 Min etotal=∑E(PM) =>lIdle(PM3)+Dyna(PMi) ∑/"P-0+Ppn少) J=10 ∑TnPM()+∑/PMm( a)∑R ≤C,k,∈{1, j∈{1 ∑x-1,∈{1,2,…,n} 式(3)中约束变量(a)确保部署到物理机PM,的最大能力不会超限,约束变量(b)确保任意虚拟机VMa 有且仅能被部署到一个物理机上.决策向量v={0.1},如果PM在分配中被选中的话,则v=1.否 则y-0;决策变量,-{0,1,如果PM被分配到PM,则x-1,否则x-0.PMm(t)和 PMy()分别表示服务器M1在时刻t的空闲功率及动态功率T为服务器PM的运行时间其值取决 于其上所分配虚拟机最长生命周期,即 T2=max{(nx1,…,Inx;j,…,Tm,n} 对公式(4),不失一般性,假设PM上分配了k个虚拟机即{VM,…,VM,…,VMk},其对应的生命周期 I≤…≤T≤…≤T,这样服务器PM;的动态执行能耗根据其负载变化情况,由定积分的定义可得: PMaynadt=f(PM):T1+…+f(PM1).Tn+…+f(PM).Tm f(PMm)·T 在式(5)中,f1(PM)表示服务器在第T,个时间段内对应的动态功耗,而服务器部件能耗通过公式(1) 可知主要由CPU、内存、硬盘等能耗组成.根据用户需求特性不同,一般可将负载抽象为计算密集型、内存密 772 系统工程理论与实践 第36卷 集型和I/O密集型应用,同时通过对服务器监控事件相互关联关系分析可知,发现{CPU, Cache}对和{Disk, DRAM}对很高的相关性.因此,可将服务器负载分成CPU密集负载和I/O密集负载,这样服务器PM在 第T个时间段动态功耗可表示为: fi(PMayna)=a(alPM,P+a2 ache)+6(b1PMDRAM+b2PMdisk 在公式()中,PM",PM9和可以从硬件事件计数器值获得,PM可以从磁盘数据传输量得,a1, a2和b1,b2表示不同部件功耗权重,a和β表示不同类型负载权重 42DⅴFS能耗优化策略 DⅤFS( dynamic voltage and frcqucncy scaling)即动态电压和频率调整,其主要思想是当CPU未被完 全利用时,通过降低电压和时钟频率主动降低CPU性能,这样可以带来立方数量级的动态功耗降低 在服务器支持DVFS技术前提下可定义为三元组PM={VC,FC3,CC;},其中VC={vc;,wc;2, ,c;}表示供应电压策略级别,FC;={fc1,fc;2,,fc;k}表示相应供应电压对应的频率,CC {cec1,c2,…,ccik}表示在一组电压和频率下对应的执行能力.这样PM={(cn,fc;n,c;n),……,(vc, ∫c;:cra)…,(αcκk:∫ck,c∷)}.物珥服务器根据负载存在可能降低的情况,在满足实时任务截止时间约束 下,通过调整资源供应电压和频率改变能耗 举个例子.假定数据中心存在一个物理服务器PM,其上电压向量有5种档位VC;={1.2v,1.1v,1.0v, 9v,0.8v},相应的频率级别DC={26GHz,24GHz,2.0GHz,1.8GHz,1.6GHz},其对应的单位时间计算能 力标准化为CC={100,80p,60p,40p,20p}.若其上被分配了3个虚拟机,分别为CM1(5000,100p,50) VM2=(1000°,400,100s),VM3=(15000,100p,150s)向量中第一个值表示任务计算量,第二个值表示虚 拟机的单位计算能力,第三个值表示实时任务截止时间.其执行过程如图2所示 1CC M CC C1 (a)初始状态 (b)执行到T1时调用DⅤFS状态 图2服务器上虚拟机负载变化运行过程示意图 当服务器上的负载执行到时间T1时,虚拟机VM1上的任务执行完毕,释放虚拟机VM1的资源,此时 为了充分利用其资源可将其分配给虚拟机VM2和VM3,这样VM2和VM3的执行性能得到了提高.在满 足QoS实时约束下,通过降低电压和频率(如可有(1.2v,2.6GHz)档降低到(1.1v,2.4GHz)档)节省能耗 当负载执行到T2时类似调压调频,不再赘述 5虚拟机部署算法设计及分析 本节主要考虑在潢足用户服务级目标的约束下,寻找最优的虚拟机部署方案使数据中心设备使用数量最 少,能耗最低.可将虚拟机部署问题抽象为有约束的多维向量裝箱冋题,问题中物品的方向是确定的,即不可 旋转.物品是虚拟机所用的资源大小以及虚拟机的生命周期,箱子是物理服务器,物理服务器时间维度最大 值取决于所装箱子中的时间最大值,是可变的 51编码与解码 编码实现从问题的解到染色体的映射,装箱问题一般有3种编码方法16:1)基于箱子的表示;2)基于 物品的表示;3)基于组的表示由于装箱问题的目标函数依赖于物品组,前两种编码方式是面向单个物品的 具有不少缺点.本文用基于分组的编码方式,编码分为两部分,分别表示虚拟机序列和服务器,表示虚拟机 的部分长度固定,表示服务器的部分长度不固定,为当前部署方案用的服务器.例如,8个不同的虚拟机在 物理服务器上的两种不同部署方案编码为: XI=(ABACBCBC: A BC X2=(ABACDECD: ACDE 图3编码示意图 第3期 朱海,等:云环境下能耗优化的任务调度模型及虚拟机部署算法 773 基于分组编码得到的染色体是解的基因型表示,需要将其简单快速地转化为表现型(即虚拟机在物理服 务器中的空间布局)图3的两个染色体可解码表示为 VM(参数1,参数2 M(参数1,参数 M(参数!,参数 JM(参数!,参数2) JM(参数1,参数2 M(参数1,参数2) M6(参数1,参数 Ms(参数1,参数2) FM4(参数1,参数2) FM参数1,参数2) TM(参数t,参数2) JM(参数1,参数2) VM4(参数1,参数 M(参数1,参数 JM2(参数,参数 VM参数1,参数?) ServerA ServerB Serverc Servera Serverc ServerD ServerE (a)编码x解码示意图 (b)编码X2解码示意图 图4解码示意图 在图4解码示意图中,假设每个虚拟机的资源需求只考虑CPU资源需求和虚拟机的运行时间等两个参 数,其中每个服务器上CPU资源的需求总和不能超过最大容量,而服务器的时问维则取决于其上部署的最 长虚拟机运行时间 5.2初始种群生成 在初始种群生成时,首先随机生成Pp个不同资源需求虚拟机序列VM1,…,VM2,…,VMn,接着根 据具休服务器承载虚拟机具有不同的生命周期时间特性,对不同虚拟机的运行时间排序分组,应用基于时间 分组的优先配合启发式算法将虚拟机放置到物理服务器上,得到个不同的虚拟机放置方案,进而构成初始种 群.基于时间分组的启发式算法GFFD步骤为 1)将时间最长分组中的虛拟机按序列顺序逐个选出,第1个虚拟机放入第1个服务器,然后根据下标上 升的顺序放入该组中的第2,…,q个虚拟机,如果当前物理服务器资源足够,则每个虚拟机放入当前物理服 务器,否则放入下一个新的物理服务器 2)将下一分组中的所有虚拟机类似按序列逐个选出,在已使用的物理服务器集合中检查是否有满足其 资源需求的服务器,若有放入该服务器,否则从未使用物理服务器集合中选取一个新的服务器放入 3)类似,依次将所有分组中的虚拟机放入物理服务器中,检查是否满足式(3)中的约束条件(a)和(b), 若满足,继续:否则返回步骤2) 4)检查在部署到物理服务器上的应用服务级目标是否满足,若满足则从虚拟机放置序列中删除该虚拟 机,返回步1)否则返回步2).直到虚拟机序列中的所有虚拟机部署完毕结束 遗传操作算子 531选择算子 对经典旳轮盘赌选择方法进行改进,一方面采用精英保留策略提高种群收敛速度,另一方面将部分未被 服务级约束但能耗值较优的个体选择到下一代种群中,增加种群的多样性.具体执行过程如下: 1)运用公式(3)作为适应度函数,计算出种群中所有个体的适应度之和;2)计算出种群中每个个体的相 对适应度值,并以此作为被选中的概凇依据;3)运用轮盘赌选择法操作,来佣定种群中哪个个休被选中;4)运 用精英选择法直接将种群中适应度最大的个体放入下一代种群中;5)选择违反约束条件,但适应度值较大的 少量个体,放入下一代种群中保持多样性 532交叉算子 基于以上的分组编码方式,参与交叉操作的都是变长的染色体,采用的操作如下:1)以概率p在种群中 选择两个父代个体,随机选择两个交叉点,对父代个体进行交叉片段划分;2)将第二个父代的交叉片段插入 到第一个父代的交叉点前面,同时将第一个父代的交叉片段插入到第二个父代的交叉点前面,这意味着两个 父代中的一些分组(部署虚拟机的物理服务器)出现∫重复;3)由于一个虚拟机只能部署到一台物理服务器 上删除重复出现的虚拟机,这样一来,父代中一些老的分组也被改变了.对删除的虚拟机,采用GFFD方法 才进行插入 533变异算子 对于基于分组的遗传算法,采用以概率pm进行均匀变异操作,选择已分配虚拟机的服务器进行释放,然 后运用GFFD算法再将这些虚拟机重新进行部署. 774 系统工程理论与实践 第36卷 5.4能耗优化的分组遗传算法流程 E-GGA算法伪代码 1)采用分组编码的方式,用GFFD算法生成规模为N的初始种群 2)对初始种群进行概率为p2的两点交叉操作,产生交叉后代种群记为Ne; 3)对交叉后代N进行概率为pm的均匀变异操作,产生变异片代种群记为Nm; 4)选择当前所有后代个体集合NυN∪Nm中能耗最优的个体,调用降压策略降低其执行能耗,将此 个体的总能耗值保存到变量中; 5)将步骤4)选中的个体加入到下一代进化中,对所有后代个体运用适应度函数 Fitness(),对新种群 中个体按改进轮盘赌选择算子进行选择产生N-1个体,组成规模为N的下一代种群; 6)判终止条件,如果没有满足,转步骤2).若满足,则计算当前种群最优个体的能耗值fn,若E<Emim, 则用E2值更新Emn,输出Emin ⑦)对最优个体调用DⅤFS能耗优化策略进行动态功耗降低,实现系统整体能耗最优. 55算法收敛性分析 为了说明本文所提算法EGGA的有效性,从理论上进行收敛性分析.在对EGGA进行收敛性分析之 前,首先引入如下重要概念 定义1设α*∈S对应于云计算能耗优化问题的全局最优解,若有 ob{lima*∈X(t) 则称遗传算法以概率1收敛到问题的全局最优解. 定义2称个体b是从个体a通过交叉和变异可达的,如果 PMC(a=b>0 其中MC(a)表示由个体a通过交叉和变异产生的个体,P{}表示随机事件}发生的概率 对于求解一个搜索空间有限的极小化问题的遗传算法,Back1已证明:若一个遗传算法满足如卜两个 条件 a)对可行域S中任两个个体a与b,b是由a通过交叉和变异可达的; b)种群序列X(O),X(1),…,X(t),…是单调的,即对t,有 min{f(x)x∈X(t)}≤min{f(x)x∈X(t+1)} 则该遗传算法以概率1收敛到问题的全局最优解. 定理1(全局收敛性)E-GGA算法以概率1收敛到问题的全局最优解. 证明1)E-GGA算法中,任两个个体a与b,b是由a通过交叉和变异可达的 事实上,个体a被选上参加杂交的概率为P>0.设c是由a通过交叉产生的任一后代,c被选上参加 变异的概率为pm>0,则经交叉和变异山a产生b的概率满足 Probmc(a)=b]2 pe* Pm ProbM(c=b] 设c=(e1e2…cn),b=(b1b2…bn)由变异算子知,从c产生b的概率为n1,有 (11) 因此,由个体a通过交叉和变异产生个体b的概率满足 Probmc(a)=b)2 pc *pm k Probm(c=bl Pc *k p (m-1) (12 即对可行域S中任两个个休a与b,b是由a通过交叉和变异可达的 2)由E-GGA算法的选择策略知,X(0),X(1),……,X(t),…是单调的,即满足式(9),条件b)得证 综合1)、2)知,E-GGA算法以概率1收敛到能耗优化问题的全局最优解 6仿真实验与结果分析 6.1伤真实验与结果分析 本文实验硬件环境由4台 IBM System x3850X5机架同构服务器构成云平台,每台服务器采用 Intel 第3期 朱海,等:云环境下能耗优化的任务调度模型及虚拟机部署算法 775 ⅩeonE78837至强系列,最高频率为2.8GHz,支持调压调频技术,内冇为256GB;软件环境采用 VMware vSphere5.5版搭建的虚拟化平台.同时,为便于对比实验,在本文提出基于能耗优化的云计算资源调度分配 体系架构下,采用C#语言设计开发了一个云计算资源调度仿真器.该仿真器基于NET平台,由ⅤMPro ducer、 PMProducer和 Cloudscheduler组件构成其中 VMProducer组件用于模拟产生虚拟机,其根据抽象 后的用户服务水平协议(SLA)需求生成虚拟机,在不失一般性前提下,为简化起见本文SLA约束主要考虑 CPU计算能力、用户服务的截至时间等要求; PMProducer组件用于模拟生成物理服务器PM,物理服务器 支持调压调频技术,考虑计算能力对能耗的影响;( loudscheduler组件用于模拟虚拟机VMs到物理机PMs 的部署,实现云计算资源调度过程的模拟仿真 实验环境下物理服务器的最大计算能力标准化为100,根据其采用的不同电压和频率对应的服务器性能 如表1所示 1.18 表1物理服务器抽象性能、电压与频率对应表 1.14 序号性能范围(P)电压/v频率/GHz 1.12 1P>80&&P<1001.25 28 2P>6088P<801.10 2.1 温1.1 40&&P<6 0.95 2.0 108 4 P>20&&P<40 0.80 1.6 5 P≥0&&P<20 0.65 1.2 1.04 E-GGA 102 1000 2000 3000 4000 5000 遗传代数 图5算法收敛性分析图 62实验结果与分析 本节首先从算法的收敛性、SLA约束的多样性对提出的EGGA与其他同类算法,18进行实验分析比 较.为了与具体厶计算环境相适应实验中对文献[18]提出的BSHA算法进行了调整,即物体不可旋转.然 后,对随着虚拟机规模变化以及是否釆用调压调频抆术对能耗变化的影响也进行了仿真实验与分析. 实验1算法的收敛性比较 在对遗传算法收敛性验证分析实验中,假设虚拟机规模为1000,虚拟机计算能力类型及其概率分布为 {(65,0.05)、(10,0.10)、(15,0.15)、(20,0.20)、(25,0.15)、(30.0.12)、(35,0.08)、(40,0.07)、(45,0.05)、(50, 0.03)},虚拟机运行截至时间可选项为{1T,3T,5T,7T,9T}(其中1T表示用户租用虚拟机时最小时间单位). 遗传种群规模为500,遗传代数为5000,遗传算法的交叉概率为0.90.变异概率为0.10.两种算法的运行过 程如图5所示 从图5可以看出,在5000次迭代过程中的能耗值变化趋势中,本文提出的E-GGA算法和一般的GA 算法相比具有更好的收敛性.这主要因为本文提出的算法对不同虚拟机基于时叵特性首先进行分组,将时间 尽可能一致的虚拟机分配到同一物理服务器上运行,这样一方面可以使物理服务器在时间属性上得到最大节 约,另一方面可以更好运用降压降频策略节省能耗 实验2用户需求的时间异构性对系统能耗的影响 在这个实验中,假设虚拟机个数为1000.虚拟机的能力需求异构性设为最大10.实验过程中不变.重点 考察时间异构性变化对能耗的影响,将虚拟机运行时间异构性从1逐步増加到10,此过程中时冋均值保持一 致即平均需求时间为⑧T.随着虛拟机时间异构性增加,各种算法系统能耗变化情况如图6所示 从图6(a)可以看到,随着时间异构性的增加,在不同情况下有一定的波动.但整体变化不大;但在同等情 况下,本文提出的基于分组遗传算法E-GGA明显优于不分组的遗传算法GA,并且优于启发式算法BSHA 从图6(b)可以看到,随着时间异构性的増加,系统单位计算量的能耗都成下降趋势,说明本文提出的云计算 系统更适合用户需求多样的情况,也更具有现实意义;另外,也可以看出.同等情况下本文提出的算法明显占 776 系统工程理论与实践 第36卷 4400 0045 BSHA 0.04 4200 E-GGA 0035 4000 0.03 0025 0.02 3600 0015 0.0 3400 0005 E-GGA VM时间异构性 VM时间异构性 (a)对系统总能耗的影响 b)对单位计算量能耗的影响 图6虚拟机时间异构性对能耗的影响 实验3用户对资源需求的异构性对系统能耗的影响 本实验中虚拟机个数1000,种群规模为500,虚拟机运行时间数组取{1,3,5.7.,9}数组的均匀分布,虚拟 机的资源需求即能力异构性由1增加到10,此过程中的资源需求均值保持不变即为物理机资源的30%.随 着虚拟机资源需求异构性的增加,各种算法系统能耗的变化情况如图7所示. 从图7(a)可以看到,随着虚拟机能力异构性的增加,系统的总能耗略有下降,但整体变化不大;在同等情 况下,本文提出的基于分组遗传算法E-GGA明显优于不分组的遗传算法GA,并且优于启发式算法BSHA 从图7(b)可以看到随着虚拟机能力异构性的增加,系统单位计算量的能耗都成下降趋势说明本文提出E- GGA的云计算系统更适合用户需求多样的情况,也更具有现实意义;另外,也可以看出,同等情况下本文提 出的算法具有明显优势. 0.06 BSHA - BSHA 8000 E-GGA 005 E-GGA 7500 0.04 7000 6500 0.02 5500 0.01 4500 30 VM计算能力异构性 VM计算能力异构性 (a)对系统总能耗的影响 (b)对单位计算量能耗的影响 图7虚拟机性能异构性对能耗的影响 实验4调压调频技术对系统能耗的影响 本实验中,虚拟机的个数从500个逐步增加到5000个,种群规模为500,虚拟机时间异构性为10,虚拟 机资源需求异构性为10.随着虚拟杋规模数量旳不断增加,系统的总能耗和单位计算量旳能耗变化情况如图 8所示 从图8(a)可以看出,随着虚拟杋个数的增加,不管是釆用启发式算法,还是遗传算法,系统总能耗都会逐 渐增加.启发式算法BSHA的能耗增加值要快于遗传算法GA;特别叮以看到没有采用降压降频技术NGA 算法的情况下,系统总能耗成线性增加,明显大于其他三种采用降压降频技术卜的情况.从图8(b)可以看出, 随着虚拟机个数的增加,系统单位计算能耗值会逐渐降低,这说明本文提岀的云计算资源分配休系架构更适 合规模较大的云环境,这也与实际的商业应用场景吻合,即用户越多成本越低,云运营商收益越大.另外,可 以从没有采用降压降频技术的N-GA算法仿真结果上看,系统单位计算量明显高于其他三种采用降压降频 技术下的情况 第3期 朱海,等:云环境下能耗优化的任务调度模型及虚拟机部署算法 777 10 N-GA 008 GA E-GGA EGGA 006 壮003 002 001 0 1000 2000 4000 5000 1000 2000 3000 5000 VM的数量规模 VM的数量规模 (a)对系统总能耗的影响 b)对单位计算量能耗的影响 图8调压调频技术对系统能耗的影响 7结束语 本文针对云计算能耗问题,构建一种能耗优化的资源分配调度体系架构,并提出一个满足实时用户SA 的能耗优化模型.该优化模型从系统级和部件级两个层次进行能耗优化.在系统级上,提出了基于分组的虚 拟机部署遗传算法,期望用最少物理机满足虚拟机俙求以提高利用率,降低能耗目的.同时,在部件级上采用 DⅤIS技术降低执行能耗,从而在满足用户需求的前提下,最大限度降低系统总能耗.下一步工作将考虑云 环境下虚拟机迁移问题对能耗影响,以及基于成本的运营商收益最大化问题 参考文献 1 Prasad A S, Rao S. A mechanism design approach to resource procurement in cloud computing[J. IEEE Trans- actions on Computers, 2014, 63(1): 17-30 2 Hooper A Green computing[J. Communications of the ACM, 2008, 51(10): 11-13 3 Ranganathan P. Recipe for efficiency: Principles of power-aware computing. Communications of the ACM 2010,53(4):6067 4ForrestW.HowtocutdatacentrecarbonemissionsEb/ol.http://www.computerweekly.com/articles/ 2008/12/05/233748how-to-cut-data-centre-carbon-emissions hem, 2012 阿]孙大为,常桂然,陈东,等.云计算环境中绿色服务级目标的分析、量化、建模及评价J.计算机学报,2013,36(7):1509 1525 Sun D w, Chang G R, Chen D, et al. Profiling, quantifying, modeling and evaluating green service level objectives in cloud computing environments J. Chinese Journal of Computers. 2013, 36(7): 1509-1525 ]叶可江,吴朝辉,姜晓红,等虚拟化云计算平台的能耗管理[.计算机学报.2012,35(6):1262-1285 Ye K J, Wu Z H, Jiang X H, et al. Power management of virtualized cloud computing platform. Chinese Journal of Computers, 2012, 35(6): 1262-1285 刁]周三奇,陈佳,张宏科互联网能耗与性能优化的权衡模型].系统工程理论与实践,2014,34(8):2106-2112 Zhou s Q, Chen J, Zhang H K. Trade-off model for internet power consumption and performance optimization Systems Engineering- Theory Practice. 2014, 34(8): 2106-2112 岗]马艳,龚斌邹立达网格坏境下基于复制的能耗有效依赖任务调度研究[计算机研究与发展,2013,50(2):420)-429. MaY, Gong B, Zou L D Duplication based energy-efficient scheduling for dependent task in grid environment J Journal of Computer Research and Development, 2013. 50(2): 420-429 ⑨]蒋兴波,吕肖庆,刘成城,等.求解矩形条带装箱可题的动态匹配启发式算法[]计算机研究与发展,2009,46(3):505 512. Jiang X B, LiX Q, Liu CC, et al. A dynamic-fit heuristic algorithm for the rectangular strip packing problemJ Journal of Computer Research and Development, 2009. 46 (3):505-512 10 Scheihing P doe data center energy efficiency program R. Technical Report, No. April-2009, U.S. Department of Energy, 2009 [11 Bellosa F. The benefits of event-drive energy account ing in power-sensitive system[J. ACM SIGOPS European Workshop, ACM, 2000: 37-12 12 Elnozahy E N, Kistler M, Ra janony R. Energy-efficient server clusters[C// Falsafi B, Vijaykunar T N. Proceed-

...展开详情
试读 11P 论文研究-云环境下能耗优化的任务调度模型及虚拟机部署算法.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
抢沙发
一个资源只可评论一次,评论内容不能少于5个字
weixin_38743602 欢迎大家使用并留下宝贵意见
2019-09-20
  • 至尊王者

    成功上传501个资源即可获取
关注 私信 TA的资源
上传资源赚积分or赚钱
    最新推荐
    论文研究-云环境下能耗优化的任务调度模型及虚拟机部署算法.pdf 25积分/C币 立即下载
    1/11
    论文研究-云环境下能耗优化的任务调度模型及虚拟机部署算法.pdf第1页
    论文研究-云环境下能耗优化的任务调度模型及虚拟机部署算法.pdf第2页
    论文研究-云环境下能耗优化的任务调度模型及虚拟机部署算法.pdf第3页

    试读结束, 可继续读1页

    25积分/C币 立即下载 >