基于負(fù)載優(yōu)化的虛擬機(jī)放置方法

閆健恩 張宏莉 許海燕

摘要：隨著云計(jì)算平臺(tái)運(yùn)營(yíng)成本增加，對(duì)物力資源的利用率要求也越來(lái)越高。虛擬機(jī)放置方法是為虛擬機(jī)選擇合適的物理宿主機(jī)方法，其優(yōu)劣直接影響到宿主機(jī)資源利用的高低，進(jìn)而影響云計(jì)算平臺(tái)的運(yùn)營(yíng)成本。本文提出了一個(gè)基于負(fù)載優(yōu)化的虛擬機(jī)放置方法，利用CPU、MEM和硬盤的占用率作為資源負(fù)載的指標(biāo)，描述系統(tǒng)的負(fù)載情況，采用“稱重”的方式，計(jì)算宿主機(jī)的資源利用情況，從而達(dá)到資源利用的最大化。實(shí)驗(yàn)表明，相較于OpenStack自帶的虛擬機(jī)調(diào)度方法，該方法在資源利用率方面有明顯提升。

關(guān)鍵詞：云計(jì)算：負(fù)載優(yōu)化;虛擬機(jī)放置

0引言

隨著云計(jì)算的普及應(yīng)用。虛擬化技術(shù)得到快速的發(fā)展。云計(jì)算中放棄使用價(jià)格昂貴的大型機(jī)而采用價(jià)格相對(duì)低廉的集群，使用虛擬化技術(shù)實(shí)現(xiàn)大型計(jì)算和提供基礎(chǔ)設(shè)施服務(wù)成為趨勢(shì)。KVM性能優(yōu)異、擴(kuò)展性好以及安全優(yōu)勢(shì)明顯，是目前相關(guān)領(lǐng)域選用較多的虛擬化平臺(tái)之一。不過(guò)由于運(yùn)營(yíng)成本不斷提升，人們對(duì)資源利用率的要求在不斷提高。如何將物理資源合理的規(guī)劃使用，減少物理服務(wù)器的使用量，降低運(yùn)營(yíng)與維護(hù)成本，提升資源利用效率是系統(tǒng)優(yōu)化資源配置的關(guān)鍵問(wèn)題。

將虛擬機(jī)分配到物理服務(wù)器中，其本質(zhì)是虛擬機(jī)放置問(wèn)題。在滿足虛擬機(jī)資源需求的前提下，如果能夠?qū)⒆銐蚨嗟奶摂M機(jī)放置在一個(gè)物理服務(wù)器中，那么每個(gè)物理設(shè)備的資源將得到充分的利用，從而減少物理服務(wù)器的使用。物理服務(wù)器使用量的減少，也必然帶來(lái)能量消耗等情況的降低，進(jìn)而降低云計(jì)算平臺(tái)的運(yùn)營(yíng)成本，保證平臺(tái)的可持續(xù)性發(fā)展。

1 相關(guān)研究工作

不少研究者對(duì)虛擬機(jī)放置問(wèn)題進(jìn)行了研究。并將其建模成裝箱問(wèn)題或多維裝箱問(wèn)題：箱子即為物理服務(wù)器，裝入的物品是運(yùn)行應(yīng)用服務(wù)的虛擬機(jī)，虛擬機(jī)所用虛擬CPU、MEM、網(wǎng)絡(luò)帶寬等資源是物品的尺寸體積，箱子容量是物理服務(wù)器資源的使用閾值。如果物理服務(wù)器的數(shù)量為M，待放置虛擬機(jī)的數(shù)量為N，那么虛擬機(jī)放置到物理服務(wù)器上的解空間為M^N。這是一個(gè)NP-Hard問(wèn)題。在多項(xiàng)式時(shí)間內(nèi)無(wú)法找到最優(yōu)解，所以大部分的研究工作都是通過(guò)近似算法找到一個(gè)近似最優(yōu)解。

在多維空間求解最優(yōu)值的策略中，主要有啟發(fā)式算法、進(jìn)化算法及群體智能算法。文獻(xiàn)[3]、文獻(xiàn)[4]和文獻(xiàn)[5]采用啟發(fā)式算法，從降低能量消耗的目標(biāo)研究了虛擬機(jī)放置的問(wèn)題，減少電力資源浪費(fèi)帶來(lái)的成本壓力;文獻(xiàn)[6]和文獻(xiàn)[7]利用啟發(fā)式算法研究了各種資源負(fù)載均衡在虛擬機(jī)放置問(wèn)題中的作用。文獻(xiàn)[8]采用遺傳算法對(duì)虛擬機(jī)放置方案的多目標(biāo)優(yōu)化問(wèn)題進(jìn)行了研究，并獲得了一定的成果。文獻(xiàn)[9]采用群體智能算法的蟻群算法，在考慮能耗和網(wǎng)絡(luò)總流量的前提下，研究了虛擬機(jī)放置問(wèn)題，也取得了良好的效果。

2 負(fù)載優(yōu)化的虛擬機(jī)放置算法

在進(jìn)行虛擬機(jī)放置時(shí)。僅僅考慮將虛擬機(jī)放置到哪個(gè)物理服務(wù)器中是不夠的，若處理方法過(guò)于簡(jiǎn)單，如隨機(jī)或順序等方法，只能完成基本的資源使用需求：如果方法過(guò)于復(fù)雜，屬性參數(shù)在實(shí)際應(yīng)用環(huán)境中又存在獲取困難的情況。因此，需要在有限的資源下，尋找合理可行的分配調(diào)度方案，實(shí)現(xiàn)資源使用效率和方法實(shí)用性的平衡。只有充分將已有資源有效利用，才可以減少基礎(chǔ)物理設(shè)備的消耗，降低運(yùn)營(yíng)成本，將服務(wù)能力最大化。

2.1 負(fù)載計(jì)算

基于KVM的虛擬化技術(shù)中，每個(gè)KVM虛擬機(jī)就是運(yùn)行在物理宿主機(jī)上的一個(gè)進(jìn)程，可以通過(guò)進(jìn)程使用的物理資源情況，衡量虛擬機(jī)對(duì)宿主機(jī)的負(fù)載影響。在本文的方法中，考慮實(shí)際情況的可操作性，選擇進(jìn)程的內(nèi)存占用率、CPU占用率和硬盤占用率作為主要的系統(tǒng)負(fù)載參考指標(biāo)，這些數(shù)據(jù)可以隨時(shí)進(jìn)行采集，具備可操作性，當(dāng)為虛擬機(jī)分配物理資源時(shí)，這三項(xiàng)指標(biāo)是重要配置參數(shù)，直接影響到虛擬機(jī)的系統(tǒng)性能。

算法采用的負(fù)載計(jì)算定義為：

其中，μ_A、μ_B、μ_C分別為內(nèi)存、CPU和硬盤在定量計(jì)算時(shí)的占比;R_used、R_total分別為已用內(nèi)存總量、內(nèi)存總量;C_used、C_total分別為已用CPU總量、CPU總量;D_used、D_total為已用硬盤總量、硬盤總量;L_i為物理宿主機(jī)i的負(fù)載。

利用上述負(fù)載計(jì)算方法，本文提出一種簡(jiǎn)便易行的基于資源優(yōu)化的虛擬機(jī)放置方法，每當(dāng)有虛擬機(jī)請(qǐng)求放置到物理宿主機(jī)上時(shí)，便對(duì)每臺(tái)物理宿主機(jī)進(jìn)行“稱重”（weight calculating algorithm），即計(jì)算物理主機(jī)剩余資源總量與請(qǐng)求資源的差額，剩余資源與請(qǐng)求資源越接近，則被選擇的可能性越高。此處需解決資源的定量計(jì)算問(wèn)題。當(dāng)資源種類涉及內(nèi)存、CPU和硬盤等多種資源時(shí)定義，物理服務(wù)器的負(fù)載為：

其中，R_free、R_req、R_total分別為可用內(nèi)存總量、請(qǐng)求內(nèi)存大小、內(nèi)存總量;C_free、C_req、C_total分別為可用CPU總量、請(qǐng)求CPU數(shù)、CPU總量;D_free、D_req、D_total分別為可用硬盤總量、請(qǐng)求硬盤大小、硬盤總量;μ_A、μ_B、μ_C分別為內(nèi)存、CPU和硬盤在定量計(jì)算時(shí)的比例系數(shù);w_i為物理宿主機(jī)i稱重之后的計(jì)算結(jié)果。

2.2 虛擬機(jī)放置方法

進(jìn)行虛擬機(jī)調(diào)度時(shí)，首先獲取虛擬機(jī)規(guī)格等信息。同時(shí)，獲取各個(gè)物理主機(jī)的狀態(tài)，主要包括物理主機(jī)的資源總量和剩余資源。

其次，使用過(guò)濾方法過(guò)濾配額不足的物理主機(jī)，如果過(guò)濾后結(jié)果為空，說(shuō)明沒(méi)有適合放置的物理主機(jī)，至此放置失敗，反之則對(duì)每個(gè)通過(guò)過(guò)濾的物理主機(jī)進(jìn)行稱重。稱重時(shí)，分別對(duì)內(nèi)存、CPU以及硬盤計(jì)算資源差百分比，即物理主機(jī)剩余資源與請(qǐng)求資源的差值占總資源的百分比，再把上述計(jì)算結(jié)果分別乘以相應(yīng)的系數(shù)并相加得到稱重結(jié)果。本文中，內(nèi)存、CPU以及硬盤三者的系數(shù)分別為0.6、0.3和0.1，系數(shù)的取值主要考慮了以下因素：

（1）資源豐富程度。在實(shí)際情況，硬盤相較前兩者資源最為豐富，不易成為瓶頸，CPU的虛擬化程度較內(nèi)存更高，同時(shí)CPU切換的靈活性要高于內(nèi)存頁(yè)面的置換。因此從虛擬化的角度來(lái)看，相同情況下，CPU資源要富于內(nèi)存資源：

（2）實(shí)驗(yàn)結(jié)果。在多次實(shí)驗(yàn)測(cè)試中，觀察到該系數(shù)配比下，資源利用率達(dá)到了一個(gè)較高的水平，滿足實(shí)際需要。

最后。對(duì)稱重之后的物理主機(jī)列表進(jìn)行升序排序，選擇稱重結(jié)果最小的物理主機(jī)放置虛擬機(jī)。

3 實(shí)驗(yàn)分析

下面對(duì)上述方法進(jìn)行實(shí)驗(yàn)，以測(cè)試該方法的可行性。測(cè)試中將本方法與OpenStack自帶的filter虛擬機(jī)調(diào)度算法進(jìn)行對(duì)比測(cè)試。

首先，使用5臺(tái)計(jì)算節(jié)點(diǎn)作為初始計(jì)算資源節(jié)點(diǎn)，分別在5臺(tái)服務(wù)器中運(yùn)行一定的負(fù)載，模擬生產(chǎn)環(huán)境。初始服務(wù)的資源占用情況見(jiàn)表1.每臺(tái)物理主機(jī)節(jié)點(diǎn)配置為AMD 4core CPU、8GB RAM、1T GB硬盤，操作系統(tǒng)為Ubuntu Server 14.04，OpenStack的版本為Kilo。申請(qǐng)資源的虛擬機(jī)規(guī)格相同，都為1核CPU、1G內(nèi)存、10G硬盤。

分別對(duì)10個(gè)、20個(gè)虛擬機(jī)放置的情況，以及1-10個(gè)虛擬機(jī)進(jìn)行放置后的物理服務(wù)器負(fù)載情況進(jìn)行測(cè)試。虛擬機(jī)放置情況如圖1和圖2所示，虛擬機(jī)放置后物理服務(wù)器的負(fù)載按2.1節(jié)所給負(fù)載計(jì)算公式分別計(jì)算負(fù)載變化情況。兩種算法負(fù)載變化情況如圖3、圖4所示。

由圖1和圖2中可以看到。WCA方法在宿主機(jī)的資源利用上更好，使用的物理服務(wù)器數(shù)量少，而OpenStack自帶的filter調(diào)度方法更趨向于各個(gè)宿主物理服務(wù)器的負(fù)載相對(duì)均衡，這樣的結(jié)果雖然增加了物理資源的使用量，從而也導(dǎo)致資源利用率的降低。

由圖3和圖4的負(fù)載變化情況可知。優(yōu)化后的算法較原虛擬機(jī)調(diào)度算法負(fù)載變化情況更為穩(wěn)定，且資源利用更加集中。優(yōu)化算法中，物理主機(jī)負(fù)載平穩(wěn)提高，而原算法始終存在2臺(tái)主機(jī)負(fù)載并未發(fā)生變化。綜上所述，優(yōu)化算法基本達(dá)到預(yù)期要求。

4 結(jié)束語(yǔ)

虛擬機(jī)放置方法的優(yōu)劣直接影響到云計(jì)算平臺(tái)的資源利用率高低，高效的資源利用率會(huì)減少資源消耗，明顯降低平臺(tái)的運(yùn)行成本壓力，有利于平臺(tái)提供更好的服務(wù)能力。本文的方法雖然在提升宿主物理服務(wù)器資源利用上取得了一定的效果，但后續(xù)還要繼續(xù)研究其它因素對(duì)平臺(tái)資源負(fù)載的影響情況，例如網(wǎng)絡(luò)帶寬，網(wǎng)絡(luò)流量等。