在以节约能源和提高能源利用率为目的的绿色云计算背景下，提出一种基于层次分析法的虚拟机迁移评估模型。该模型通过基于属性聚类的协同过滤方法，针对虚拟机的属性空间进行评分，给出了最佳绿色虚拟机迁移策略的决策方法。通过建立虚拟机任务资源使用率指标体系及两两比较矩阵，采纳五级评分制对虚拟机迁移及任务资源占用进行了评估。实验结果表明，提出的模型和方法能够显著提高云计算集群的能源利用率、节约能源的消耗。该方法对绿色云计算的研究具有重要意义。
32 014,50(20) Computer Engineering and Applications计算机工程与应用 目标层 虚我机迁移评佔」 运行;如果单指令周期长,则说明指令多为需要协处理 器參与运算、大数据操作或者进行异常控制等,这种运 准则层 CPU使用性 周期性 算一般持续吋间不长,甚至该虚拟机很快将被关闭,因 此不必迁移 子谁层/CP平最大CP[cP在务1「单 前文中,由图1及图2可姐,虚拟机迁移评估准则和 使用率 使用率 时间 周期 子准则对于虚拟机迁移决策的结果非常重要。见表1。 表1虚拟机迁移准则与子准则 目标层 在则层 子准则层 方案层 虚找机1虚拟机2 虚拟机n CPU使用性(C1 CPU使用率(C11) 图1虚拟机迁移评估指标体系 虚拟机迁移评估 最大CPU使用率(C12) CPU任务时间((21) 选取最具能反映该虚拟机状态的典型任务信息。为此, 周期性(C2) 单指令周期(C22) 提出了第二个层次结构米选择最有代表性的任务资源 ,、CPU使用率(B11 CPU使用性(B1) 占用情况。图2为单虚拟机的总体任务资源占用评估 最大CPU使用率(B12) 任务资源占用评估 CPU任务时间(B21) 指标体系。为了反映虚拟机执行的任务对CPU资源占 周期性(B2) 单指令周期(/22) 用情况的特征,与图1相比,图2引入时效性作为评估指 时效性(B3) 标,川以描述任务的执行时间距当前时间的间隔。 由表1可见,虚拟机迁移准则的目标层包括虚拟机 目标层 务资源占用评估 迁移评佔及任务资源占用评佔两项总目标。对于虚拟 机迁移评估而言,设置CPU使用性(C1)及周期性(C2) 准则层下PU便用囵[周期柱 时效性]两项准则,分别由子准则CPU使用率(C11)、最大CPU 使用率(C12)和CPU任务时间(C21)、单指令周期 子准则层CP平「最大CPU[CP任务个单指令 (C22)组成。对于任务资源占用评估而言,设置CPU使 使用率 使用率 周期 用率(B1)、周期性(B2)及吋效性(B3)三项准则,其中 CPU使用率(B1)和周期性(B2)分别由子准则CPU使用 率(B11)最大CPU使用率(B12)和CPU任务时问(B21) 层[任务 任务2 任务n 单指令周期(C22)组成。接下来对所有准则及子准则 图2任务资源占用评估指标体系 的构成元素构建两两比较矩阵,从而计算元素对于准则 32两两比较矩阵 和子准则的相对权重。最后对判断矩阵的一致性进行 当指标体系建立完成后,即可对影响虛拟机迁移的检验。表2为所有因素的全局权重及一致性检验结 所有因素进行分析。具体为:构建两两比较矩阵,判断果。一致性检查结果表明本文方法是有效的。 元素对于准则的相对权重,进行判断矩阵的一致性检验。 表2虚拟机迁移评佔两两比较矩阵 在比较判断前,首先分析各种因素对虚拟机迂移的 (a)C1和C2比较 (b)C11和C12比较 影响。对于运行在云服务集群中的虚拟机而言,如朱其 C1C2权值CR C1C11C12权值CR 50.8333 C11170.7292 CPU平均使川率较低,则说明其上面运行的云服务对 0.1667 C12 10.1042 CPU资源的消耗较低,甚至经常处于休眠状态。如果将 c)C21和C22比较 (d)B1、B2、B3比较 该虚拟机被迁移到另一台物理机上也不会占用太多 C2C21C22权值CRB1B2B3权值CR CPU资源。因此,迁移该虚拟札可以有效地节约电能。 1389 7120.363 同理,对于最大CPU使用率低的虚拟机也是如此 0 l0.0278 1门70.06640.0519 对于虚拟机任务所占用的CPU指令周期而言,如 10.5706 果CPU任务时间短,则说明该虚拟机CPU的仁务调度 (e)B11和B12比较 (f)B21和B22比较 频繁;反之则不频繁,可以戗迁移。单指令周期反应了 B1B11B12权值CR B2B21B22权值CR CPU执行指令的类型特征,如果单指令周期短,则说明 60.32 B12 10.0519 2 10.0095 指令多为常规的CPU运算指令怎指令、短数据操作, 且CPU指令多是仅仅调用常用寄存器如EAX等,因此 对于方案层的虚拟机,其子准则层的度量值的计算 这种情况的虚拟机可以被迁移到其他物理机进行长期公式为: 张留美,马建峰,王一川:面向绿色云计算的虚拟机迁移推荐 2014,50(20)3 子准则层的度量值=∑(特征数据×子准则层因素 表3虚拟机属性特征矩阼 的权重) 从而,该虚拟机针对总体目标即虚拟机迁移评佔的 AHP计算结果为 AHP结果=∑(子准则层的度量值x准则层的权重) 本文对所有虚拟机进行计算,再进行排序,即可选 0 出最适合迁移的虚拟机。 对于云集样服务器管理员而言,此时已经根据其针有n个虚拟机,表中1和0分别表示虚拟机在A属性上 对需要迁移虚拟机各因素权重分配结果而确定了需要其子属性a1至a1是否符合其其他属性值,1表示符 迂移的虚拟机。而根据迂移虚拟机特征,找出与其相似合.0表示不符合 的虚拟机,可以大大降低管理员的工作量,进一步帮助 这样样本空间被缩小了,进而在构造了虚拟机属性 选取适合迁移的其他虚拟机,从而降低云集群的整休能特征矩阵后,可利用相似性计算的方法来度量虚拟机 耗。因此,有必要根据协同过滤技术,向系统管理员推1l2在A1属性上的相似性信赖度。把某个虚拟机对于 荐其他适合迁移的虚拟机集合。 某一属性的符合值看成一组特征向量,例如,对于虚拟 机1、2在A属性的二维空间上的特征向量分别是: 虚拟机相似度计算 141={1:i1a12 41基于属性聚类的协同过滤 1241={2a1i2a12,…,i2a1 据前文所述,对于某虚拟机而言,如果其任务所占则虚拟机、2在A属性的相似性可有以下计算公式 用的CPU平均使用率较低、最大CPU使用率较低、单指来表示: 令周期短且任务持续时问长,则说明该虚拟机较为适合 S1=sin(1A1,1241)=1- LAeLA 迁移。因此绐出了备选虚迁移拟机集合的定义 K 本文假设用户为云集群服务器系统管理员。根据 La.el.a 其通过AHP方法获得的迁移虚拟机属性及行为特征 向管理员推荐其他与该迁移虚拟机相似度较高的虚拟其中,sim(1A1,l241)表示虚拟机l1、l2在A1上的相似 机集合每个虚拟机计算任务的属性数据,即为衡量虚度,A1④12A1表示虚拟机1、2在A1上没有共同特征 拟机活动性的指标。稳定虚拟札具有较高的使用频率,的属性值取值,通过对属性特征值异或,而求得虚拟机 因此需要被迁移。而不稳定虚拟机县有较低的使用频在某一属性上不具有相似性的概值,然后求和,并与k 率,因此需要驻留在物理机上进而将其关闭电源。此值相除,得到虚拟机在属性A1上非相似度,k表示属性 时,利川虚拟机任务资源使川情况原始数据对各虚拟机4取值总数。 的活动性进行度量。为了便于采用协同过滤技术,可建 接下米,可通过以下公式求得虛拟机l1、l2之间的 立评分表来映射原始数据。再利用聚类方法结合评分相似性信赖度的平均值,即EA(sm) 表找出与迁移虚拟机相似度较高的虚拟机集合 42用户属性相似性判断 sim(A,1,A,) EAsim(l,1,) (2) 为了便于聚类,引入虚拟机属性空问Ω=A,A A,将虚虛拟札属性评分分为若十特征类。其中,k为个 求出此虚拟机在所有属性上信赖度的期望值,从而 来描述虚拟机之间的相似性的平均值,m表示该虚拟 体虚拟机的属性数量。而对于某虚拟机,针对某貝体属 机用多少个属性来描述 性,可能会有多个属性值。因此,采用单一属性来得出 而虚拟机之问的相似度可通过以下公式求得 虚拟机在某一属性的相似性,最后对所有的属性的相 似度求和,再进行平均,最后得出虚拟机之问的相似 (S1-S) (3) 度。例如,虚拟机1和l2属性值空间为A1={a1,a12…, S=sim(l, 1) a1}那么可以通过A1属性米构造n×k的二维虚拟机 属性特征矩阵,如表3所示。 上述公式描述了虚拟机1、l2之间的相似度,k表示属 表3中,k列表示A1属性有k个属性值,n行表示性A取值总数 34 014,50(20) Computer Engineering and Applications计算机工程与应用 4.3虚拟机相似度聚类 5实验分析 本文利用k- means聚类方法对虚拟机集合进行分5.1AHP虚拟机迁移评估模型应用 析。假设数据集合均为n维向量,那么这些类类重心也 实验数据选取∫谷歌的公开数据集〔 oogleclusterdata 是n维向量,之后重复以下两步,直到算法收敛 2011-1中关于任务资源使用的数据表part000 第一步,对于每个x,需要获得距离最近的重心1,00500作为实验数据 然后将其标记成不同的类别。 在使用AHP模型之前,本文采用 Liberatore的五 set c(i=arg minllx'-u (4)级评分制对原始数据进行映射,以此节省使用原始数据 其中需要将x分配给类八从而对于所有的点,并分配进行两两比较的时间和工作量。表4和表5为经修改后 给一个距离最近的类重心。 的五级评分制两两比较矩阵,对矩阵进行归一化处理可 第二步,将类重心更新为分配给该类的所有点的均得到各度量值的相对权重,可加以利用来对实验数据集 值,重新确定类重心。 进行度量。如表中所示,对于属性CPU速率最大CPU set distance=d 速率及单指令周期,采用极高、高、中、低和极低这样五 set custer center= EA(distance (5)个等级对原始数据进行映射。而对于属性任务持续时 假设,有n个虚拟机,则本次推荐构成的集合为间及时效性,采川极长、长、中、短和极短这样五个等级 ={1,1…,1,经过 k-means算法处理之后,所生成的对原始数据进行映射。设par:00数据表中 聚类集合表示为C={nc,…,c,其中j表示为经算法的每一 Machine id属性作为单个虚拟机,并对数据集 处理之后生成的聚类总数,c1表示此子簇中的用户在个进行采样。本文抽取了500个虚拟机作为实验数据集, 每个虚拟机对应10条任务资源使用数据项:根据提出 人喜好或偏好方面具有较高相似性。算法的实现为 输入:集合数量j矩阵nxk 的评分制量化表对数据集进行评分映射。特别地,对于 输出:聚类结果c 单个属性,先计算其最大值、最小值和均值,再以此将属 性值映射到五级评分制量化表相应的区间内 步骤: 步骤1在二维虚拟机属性特征矩阵中索所有n 表4五级评分制两两比较矩阵(a) 评分 VL L MH VH权值 个项目,用集合={1,12…,ln表示。 极低(VI 90.513 步骤2集合中随机选择j个项日,将其属性特征数 低(L)1313570.261 据作为初始聚类中心,用集合C={1c2…,c}表示。 中(M)151/31350.129 步骤3对j个聚类进行初始化为空,用集合C={ 高(H)171/513130.063 极高(VH)191/7151/310.03 C}表示 表5五级评分制两两比较矩阵(b) 步骤4对剩余的项目执行以下操作 评分 MLVL权值 l: for all i.∈!do 极短(VS)1 5791.513 for all o′ 短(S)1313570.261 中(M 1/51/3 长L)171/51/3130.063 end for 极长(ⅥL)19171/51310.034 sim(i, c)=max(sim(i, Cm), Ui 根据AHP任务评估模型,首先对每个虚拟机对应 7. end fo 的10条任务资源使用数据项进行了评估,进而得出了 步骤5算新生成聚类中所有项目的平均值,并生成最优征务。表6以某虛拟机的两条仁务资源使用数据 新的聚类中心 项展示了任务评估的计算过程。表7以五个虚拟机为 步骤6重复步骤4和步骤5,直到聚类中心不再发例列出了应用模型后析出的对于单个虚拟机任务资源 生变化为止,并输出s个类簇。 占用来说,最具代表性的任务数据项。因此,可将其导 通过虛拟机聚类算法可以找出相似度最髙的虚拟入虛拟忛迁移评佔模型进行计算。表8以两个虚拟机 机。对于推荐虚拟机集合中的虚拟机而言,如果某台虚为例,显示了虚拟机任务资源占川的评估过程。不难看 拟机与需要迁移的虚拟机比较相似度最高,则显然说明出,当应用虚拟机迁移评估模型之后其有最高值的虚拟 综合CPU使用率和仟务所占CPU周期因素考虑后,它机应该首先被迁移。如表7中虚拟机ID2994441279经 和集合中带迁移虚拟机一样需要被迁移 计算,具备最高的评估值,因此首先被迁移。而对于虚 张留美,马建峰,王一川:面向绿色云计算的虚拟机迁移推荐 2014,50(20)35 拟机2994441279,接下来需要找出与其相似度较高的其荐给系统管理员,管理员将推荐集合中的相应虚拟机迁 他虚拟机,并纳入推荐集合。 移至长时间运行的物理机,再将拥有剩余虚拟机的物理 表6单虚拟机任务资源占用评佔 机关机。 仟务1仟务2 准则子准则全局权值 表9虚拟机相似度计算结果 Gw Sc GW 虚拟机ID 相似度 0.31120.5130.15960.5130.1596 820250647 0.44789675 B12 0.05190.2610.01350.5130.0266 4820012347 0.44783034 0.05690.5130.02920.0340.0019 B2 336069364 0.44773205 322000950.5130).00490.5130.004号 14292(6364 0).44772832 0.57060.0340.01940.0630.3595 25751970 0.44748310 表7拟机任务资源评佔结果 虚拟机 ID Task in 实验表明,本文模型可显著提高云计算服务器集群 2994441279 10 0.496866 的屯能利用效率,有效地降低了云服务成本和能源的消 587080532 10 0.474281 耗,达到了绿色云计算的目的 17504375 0.411366 4302816019 0.40942 结東语 2568530361 366862 587080532 0.474281 本文提出了一种基于AHP的虚拟机迁移评估模 型。本模型通过基于属性聚类的协同过滤方法,结合 茯8虚拟机迁移评估 虚拟机1虚拟机2 AHP虚拟机迁移评估模型的评估结果,完成了虚拟机属 Score Gw 性空间为虚拟机评分。根据AHP模型对虚拟机的行为 0.72920.5130.15960.5130.1596 状态进行评估,从而为云集群管理员推孝在其定义的虚 CT 0.10420.2610.01350.513 拟机属性特征前提下适合迁移的虚拟机集合。本文通 C21 0.13890.5130.02920.0340.0019 过虛拟机资源占用数据对提岀模型在实际应用中的可 C22 0.02780.5130.00490.5130.0049 用性进行」研究。通过确定两两比较矩阵数据输入的 52虚拟机的相似度计算 信息来源,从而确保了一致性。 在进行虚拟机相似度计算之前,同样采用提出的五 实验采用了真实数据对提出模型和方法进行了验 级评分制量化表对需要进行计算的单个虚拟机的多个证。结果表明,关闭经过迁移后的物理机电源,能够减 任务原始数据进行映射以减少计算量。将映射后的数少云集群的整体能源消耗。间接地降低了电力生产时 据按照表3的虚拟机属性特征矩阵进行构造,即按照五的资源消耗,同时减少了二氧化碳的排放量,有助于缓 级评分量化结果判断虚拟机在某个任务属性上其子属解全球变暖现象。对绿色云计算来说具有一定实际意 性是否具有符合值。因需要迁移的虚拟机为其属性数义。4文所述方法仅考虑了CPU资源占用情况,对于 据具备CPU使用率、最大CPU使用率和单指令周期极其他资源的分析(例如内存、磁盘网络通信状况)将作 短且仟务持续时间极长的特征,可按照此特征构造虚拟为未来研究的工作。 机属性特征矩阵。对于单条任务数据,为具备此特征的 属性值分配1,其余属性值分配为0 参考文献 实验数据集与AHP模犁一致。首先利用五级评分] Gong L,xie,Lix, et al. Study on energy saving strategy 制量化表对这500个虚拟机的原始数据进行映射,再构 and evaluation method of green cloud computing system[C!/ 造虚拟机特征属性矩阵。根据公式(1)、(2)和(3)对49 2013 &th Fee Conference on Industrial Electronics and 个虚拟机针对虛拟机2994441279的相似度进行计算 Applications (ICIEA), 2013: 483-488 表9为虚拟机相似度计算结果排序后,与虚拟机 2] Guazzonc M, Anglano C, Canonico M Exploiting VM migration for the automated power and performance 299444279相似度最高的5个虚拟机列表。接下来使 management of green cloud computing systems[M]Energy 用虚拟机相似度聚类算法对所有虚拟机相似度进行聚 efficient data centers. Berlin: Springer, 2012: 81-92 类。根据应用场景不同,可出云计算服务器集群管理员3]1 Baliga J., Ayre a, Hinton K, et al. Green cloud com 决定聚类细度,进而聚类算法针对管理员需求,对虚拟 puting: balancing energy in processing, storage, and trans 机相似度进行聚类。聚类结果中拥有相似度最高的虚 port[J]. Proceedings of the IEEE, 2011, 99(1): 149-167 拟机的那个类,就是迁移推荐集合。最后,将该集合推 (下转196页)