云計算環(huán)境下面向能耗降低的虛擬機管理模型

王柏翔+姜佳鵬

摘要：該文提出一種云計算環(huán)境下面向能耗降低的虛擬機管理模型，用于解決集中管理方法管理云數(shù)據(jù)中出現(xiàn)的高能耗、擴(kuò)展性差、虛擬機遷移數(shù)量多的問題。本文方法分為兩部分：本地管理和全局管理，該模型綜合了本地管理和全局管理的優(yōu)點，實驗結(jié)果表明，該模型達(dá)到了減少虛擬機遷移的數(shù)量及提高了系統(tǒng)的服務(wù)質(zhì)量，進(jìn)一步降低管理云數(shù)據(jù)的能耗。

關(guān)鍵詞：云計算；虛擬機；節(jié)能；本地管理；全局管理

中圖分類號：TP393 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2017）01-0222-02

1 引言

云計算[1-2]方便網(wǎng)絡(luò)應(yīng)用的同時面臨嚴(yán)重的能耗問題。針對這個問題，虛擬化[3-4]應(yīng)運而生。虛擬化使多個虛擬機實例同時運行在一臺物理機上，以減少電源消耗。

目前，集中式管理方法常用于整合虛擬機。文獻(xiàn)[5]采用類似裝箱問題中的啟發(fā)式方法降低能耗的同時保證系統(tǒng)性能。文獻(xiàn)[6-7]采用不同的方法重組虛擬機用以降低能耗。

采用集中式管理方法雖然在一定程度上能夠降低能耗，但是仍存在一些問題。（1）該方法重組虛擬機時需要消耗大量的資源，因此消耗的電能也越多。遷移虛擬機的過程中，其服務(wù)性能在一定程度上會降低，因此減少管理過程中的虛擬機遷移次數(shù)是必要的。（2）集中管理方法只適用較小規(guī)模的集群，很難管理大規(guī)模云計算系統(tǒng)。針對以上所存問題，為了實現(xiàn)降低能耗的目的，本文提出一種云計算環(huán)境下面向能耗降低的虛擬機管理模型。

2 分布式管理虛擬機模型

文獻(xiàn)[8]研究服務(wù)器總電耗與CPU利用率之間的關(guān)系，即隨著CPU的利用率從0到100%，服務(wù)器的總電耗呈線性增長，如公式（1）所示。

其中，指預(yù)計的電耗；和分別指服務(wù)器空閑時的電耗和當(dāng)服務(wù)器滿負(fù)載時的電耗；代表當(dāng)前CPU的利用率。一個物理節(jié)點的總能耗E定義為一段時間內(nèi)電耗的函數(shù)積分，如公式（2）所示：

由于服務(wù)器的能耗取決于CPU的利用率。因此，通過提高物理節(jié)點CPU的利用率可減少電耗。

2.1 分布式管理結(jié)構(gòu)

分布式管理方法中，本地管理持續(xù)監(jiān)控本地節(jié)點CPU利用率，全局管理收集本地的節(jié)點信息，選擇最佳節(jié)點接收需要遷移的虛擬機。分布式管理結(jié)構(gòu)如圖1所示。

為了提高節(jié)點CPU的利用率，系統(tǒng)設(shè)置了一個低門限值。若低于該門限值，遷移該節(jié)點上的所有虛擬機，然后關(guān)閉該節(jié)點以達(dá)到節(jié)能的目的。另一方面，系統(tǒng)設(shè)置一個高門限值，若高于該值，遷移一定數(shù)量的虛擬機，用于提高系統(tǒng)服務(wù)質(zhì)量。

分布式管理策略是監(jiān)控分布在節(jié)點上的本地管理對其的CPU利用率。若在設(shè)定的門限值內(nèi)，則虛擬機不發(fā)生遷移。若某節(jié)點超過設(shè)定的閾值，即處于異常狀態(tài)，系統(tǒng)則做出以下反應(yīng)：（1）從異常節(jié)點上選擇遷移虛擬機；（2）選取其他物理節(jié)點接受（1）中遷移出的虛擬機。以下討論上述兩方面。

（1）虛擬機的選擇

本地管理首先從監(jiān)控器捕捉到的異常節(jié)點進(jìn)行虛擬機的遷移。通常會選擇一個或多個虛擬機遷移出去，以消除異?，F(xiàn)象。遷移分為一下兩種情況：1）CPU利用率過高引起異?，F(xiàn)象，本地遷移若干個虛擬機，遷移節(jié)點虛擬機的數(shù)量因具體情況而定。遷移的過程中首先CPU利用率按倒序排列，然后正序進(jìn)行遷移。依此類推，直到該節(jié)點異常現(xiàn)象消除，則停止遷移。若因節(jié)點CPU利用率過低引起的異?，F(xiàn)象，為了達(dá)到節(jié)能的目的，本地管理將該節(jié)點上的所有虛擬機遷移到其他節(jié)點并關(guān)閉該節(jié)點。

（2）物理節(jié)點的選擇

全局管理模型首先預(yù)判斷待遷移的虛擬機，判斷是否存在物理節(jié)點接受該虛擬機后不出現(xiàn)異常現(xiàn)象。若存在，全局管理進(jìn)而對該節(jié)點進(jìn)行電耗評估，即計算這些節(jié)點接收虛擬機先后的電耗之差，選擇最小電耗差的物理節(jié)點接收待遷移虛擬機。若沒有滿足條件的物理節(jié)點則不進(jìn)行遷移。

3 仿真實驗與分析

本文選擇Cloudsim[9]平臺作為仿真工具，該平臺能夠模擬大規(guī)模云計算數(shù)據(jù)中心的集群環(huán)境。Cloudsim平臺對比集中管理方法和分布式管理方法，設(shè)置四組實驗：實驗1：物理節(jié)點數(shù)30，虛擬節(jié)點數(shù)90；實驗2：物理節(jié)點數(shù)100，虛擬節(jié)點數(shù)300；實驗3：物理節(jié)點數(shù)300，虛擬節(jié)點數(shù)900；實驗4：物理節(jié)點數(shù)1000，虛擬節(jié)點數(shù)3000。

上述各規(guī)模的物理節(jié)點CPU配置均為3000MHz，內(nèi)存為8GB，存儲和帶寬分別為1000GB和100Mb/s。虛擬機CPU的配置均為500MHz，內(nèi)存為1GB，存儲和帶寬分別為100GB和25Mb/s。實驗結(jié)果表明，虛擬機遷移過程中，由于需要遷移虛擬機，其CPU利用率增加了10%。

本文實驗是分布式管理模型再不同門限值的情況下進(jìn)行的。實驗結(jié)果表明，當(dāng)系統(tǒng)性能最佳時的高門限值為80%，低門限值為20%（限于篇幅，不羅列這部分實驗結(jié)果）。因此，以下實驗結(jié)果均是在該設(shè)置下完成的。

集群規(guī)模是物理節(jié)點數(shù)與虛擬機數(shù)之比。從圖2可知，4組實驗中，分布式管理方法較集中式管理方法分別減少了11%、18%、26%和31%的電耗，即云計算數(shù)據(jù)中心規(guī)模越大，分布式管理方法的電耗減少越多，原因是分布式管理方法設(shè)置的門限值減少了虛擬機遷移的次數(shù)。由于虛擬機遷移的次數(shù)減少了，則其消耗的CPU資源減少了，進(jìn)而降低了能耗。

由圖3可知，集群遷移數(shù)量會隨著集群數(shù)量的增大而增大。但分布式管理方法的集群遷移數(shù)量明顯低于集中式管理方法，其穩(wěn)定性較高。

圖4對比了集中式管理方法和分布式管理方法在不同集群規(guī)模下違反服務(wù)水平協(xié)議的概率。違反服務(wù)水平協(xié)議指虛擬機不能得到請求CPU的處理。違反服務(wù)水平協(xié)議的概率與系統(tǒng)服務(wù)質(zhì)量成反比。實驗表明，分布式管理方法比集中式管理方法的虛擬機遷移數(shù)量平均減少了68.24%，違反服務(wù)水平協(xié)議的概率平均減少了59.87%。由此可知，分布式管理方法可以很大程度的提高系統(tǒng)服務(wù)質(zhì)量。

綜上所述，分布式管理方法可實現(xiàn)高效節(jié)能的同時提供更加可靠的服務(wù)質(zhì)量。

4 結(jié)束語

本文提出的云計算環(huán)境下面向能耗降低的虛擬機管理模型，其分布式管理方法通過設(shè)置高門限值和低門限值決定虛擬機的遷移。實驗結(jié)果證明，分布式管理方法在大規(guī)模云計算系統(tǒng)中能夠保證可靠的服務(wù)質(zhì)量，并實現(xiàn)云計算數(shù)據(jù)中心的高效節(jié)能。為以保證其在不能規(guī)模下云計算數(shù)據(jù)中心的高效節(jié)能效果，將進(jìn)一步研究如何設(shè)置高門限值和低門限值。

參考文獻(xiàn)：

[1] 陳康，鄭緯民.云計算：系統(tǒng)實例與研究現(xiàn)狀[J].軟件學(xué)報，2009，20（5）：1337-1348.

[2] 江雪，李小勇.虛擬機動態(tài)遷移的研究[J].計算機應(yīng)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，王強，等.一種任務(wù)優(yōu)先級的綜合設(shè)計方法[J].軟件學(xué)報，2003，14（3）：376-382.

[5] 王永炎，王強，王宏安，等.基于優(yōu)先級表的實時調(diào)度算法及其實現(xiàn)[J].軟件學(xué)報，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.