云計算環(huán)境下虛擬機資源均衡調(diào)度方法探析

汪 蓉

(湖北科技學(xué)院 計算機科學(xué)與技術(shù)學(xué)院，湖北 咸寧 437100)

云計算環(huán)境下虛擬機資源均衡調(diào)度方法探析

汪 蓉

(湖北科技學(xué)院 計算機科學(xué)與技術(shù)學(xué)院，湖北 咸寧 437100)

云計算是對信息互聯(lián)網(wǎng)服務(wù)的增值和升華，它改變了傳統(tǒng)的靜態(tài)服務(wù)與固定有限的服務(wù)空間。資源調(diào)度和作業(yè)調(diào)度作為云計算中兩個關(guān)鍵技術(shù)，雖然領(lǐng)先于業(yè)界但還存在缺陷，比如其任務(wù)執(zhí)行的透明度等等。隨著如今數(shù)據(jù)信息中心規(guī)模的不斷擴大和云端用戶數(shù)量的持續(xù)增加，如何巧妙調(diào)整虛擬機用戶任務(wù)時間，從而最有效率的完成云計算資源均衡調(diào)度是需要認真對待和研究的課題。本文根據(jù)云計算的特點與節(jié)能機制，探討了虛擬機調(diào)度的相關(guān)模型和具體算法。

云計算；虛擬化；資源均衡調(diào)度

云計算如今已經(jīng)得到了社會的全面認可，逐漸從研究轉(zhuǎn)向應(yīng)用，大量的云服務(wù)平臺也應(yīng)運而生。云服務(wù)的基本核心技術(shù)理念就是如何為廣大云端用戶分配虛擬機資源并將它們調(diào)度到相應(yīng)的物理節(jié)點上，這就是虛擬機資源均衡調(diào)度。

一、虛擬機資源調(diào)度

(一)虛擬機調(diào)度模型

為了實現(xiàn)在不同物理機上的資源共享，云計算會運用虛擬技術(shù)來映射大量來自數(shù)據(jù)中心的物理資源到虛擬機層上，這種方式就是一種虛擬機對數(shù)據(jù)資源的調(diào)度，而將虛擬化后的資源分配給虛擬機進行部署，就叫做資源分配。上述過程都是為了保證云端用戶擁有更好的共享資源品質(zhì)和系統(tǒng)性能。

虛擬機資源的調(diào)度與均衡運作流程相當(dāng)復(fù)雜，它首先需要接收云端用戶來自于Internet的請求，云數(shù)據(jù)中心會通過Google或MapReduce處理框架對請求任務(wù)進行技術(shù)處理。處理后的信息就可以通過虛擬機調(diào)度來實現(xiàn)對用戶信息的回饋。虛擬機的調(diào)度可以分為兩級調(diào)度，其中一級調(diào)度主要對任務(wù)數(shù)據(jù)和虛擬機節(jié)點進行匹配，從而滿足對目標(biāo)任務(wù)的優(yōu)化和對虛擬機節(jié)點的映射；二級調(diào)度即虛擬機的部署工作，虛擬機在部署資源時并不影響物理機上任務(wù)的執(zhí)行。在二級調(diào)度中必須保證映射的合理性，因為它可以直接影響系統(tǒng)的性能和對用戶的服務(wù)質(zhì)量。

(二)虛擬機調(diào)度目標(biāo)

不同的虛擬機調(diào)度目標(biāo)體現(xiàn)了不同的計算算法和資源調(diào)度方式，之所以要對虛擬機進行調(diào)度，最大的目的就是提高資源的利用率，但是這并不是虛擬機調(diào)度的唯一目標(biāo)，為了大規(guī)模開發(fā)云計算平臺，就必須大規(guī)模拓展虛擬機調(diào)度目標(biāo)，強化它的調(diào)度功能，使資源調(diào)度明確化、透明化、實用化。

第一，虛擬機調(diào)度的目標(biāo)應(yīng)該是為了高質(zhì)量的服務(wù)，即QoS(Quality of Service)。云端用戶重視云服務(wù)質(zhì)量是毋庸置疑的，所以他們追求高效率和無差錯的虛擬資源調(diào)配。云服務(wù)應(yīng)該根據(jù)QoS來制定虛擬機資源調(diào)度規(guī)則，最大限度的縮短虛擬機資源及任務(wù)調(diào)度時間，讓用戶滿意。

第二，云數(shù)據(jù)中心由于要承載大量的數(shù)據(jù)傳輸、計算、分析和管理，所以會產(chǎn)生大量能耗，例如供電與制冷等等，這也是云服務(wù)平臺的主要成本投入之一。為了節(jié)能降耗，基于云計算環(huán)境下的虛擬機調(diào)度就一定要考慮整個系統(tǒng)平臺的能源消耗，目前比較常見的節(jié)能降耗方法是減少虛擬資源分配節(jié)點來降低設(shè)備能耗[1]。

二、虛擬機資源調(diào)度優(yōu)化算法——蟻群優(yōu)化算法

(一)蟻群優(yōu)化算法概述

蟻群算法是一種20世紀(jì)興起的種群智能仿生優(yōu)化算法，它的中心思想汲取于現(xiàn)實生活中螞蟻族群的行為特性，是一種模擬蟻群覓食的生活方式來對問題加以解決的。蟻群優(yōu)化算法之所以會被采用，是因為它的魯棒性強，而且采用分布式計算機制，與其他算法具有親和性，是一種具有啟發(fā)特性的蟻群模擬進化算法。但是涉及到虛擬機的資源調(diào)度策略則相對較為淺薄，所以本文的主要目的就是利用蟻群優(yōu)化算法來為基于云計算環(huán)境下的虛擬機資源調(diào)度均衡策略進行演算和規(guī)劃，提出這種基于蟻群改進算法的資源調(diào)度算法，希望能夠滿足用戶與云服務(wù)平臺之間的服務(wù)承諾。

(二)基于改進螞蟻系統(tǒng)的虛擬機資源調(diào)度算法

所謂螞蟻系統(tǒng)(Ant System,AS)就是一種產(chǎn)生于20世紀(jì)90年代的蟻群算法。它能夠解決例如(Traveling Salesman Problem)旅行商問題，計算出城市與城市之間的最短距離，即為旅行商尋求最短的通商捷徑，這與蟻群覓食尋找食物到蟻穴的最短路徑是同樣道理。該算法是基于Map/Reduce框架而得出的，它的節(jié)點主要有兩個，Master節(jié)點和Worker節(jié)點。其中Master節(jié)點會劃分來自于用戶的任務(wù)請求，將其劃分為多個任務(wù)為Worker提供節(jié)點。而Worker節(jié)點則負責(zé)完成Master所分配的各項任務(wù)。因為Worker節(jié)點屬于虛擬機節(jié)點，所以它對虛擬機資源的調(diào)度均衡具有實際意義。而且借助蟻群算法的強魯棒性和優(yōu)秀分布性，所以在Map/Reduce的框架下尋找虛擬機資源則相對容易。

1.信息素的初始化

信息素是衡量虛擬機硬件資源節(jié)點的重要元素，這其中包括對CPU處理能量p的衡量、外存容量h、內(nèi)存容量r以及帶寬容量b，通過公式對各個參數(shù)進行閾值設(shè)定，并統(tǒng)一進行閾值計算。

mmax=m0，pmax=p0，rmax=r0，hmax=h0，bmax=b0

由以上閾值來計算出各個硬件資源節(jié)點的信息素 ，所以由此我們可以計算出各個硬件資源節(jié)點上的信息素帶權(quán)和為：

τi(0)=aτif(0)+bτif(0)+cτif(0)+dτif(0),

a+b+c+d=1

在計算完帶權(quán)和之后就要進入下一步驟，即螞蟻選擇的下一跳節(jié)點，下一跳節(jié)點的選擇基準(zhǔn)為資源調(diào)度概率最大的鄰居節(jié)點，即：

2.下一跳節(jié)點

在公式中，螞蟻節(jié)點i表示了下一跳節(jié)點j的基本概率，而τj則表示了節(jié)點i在觀察到節(jié)點j上的信息素濃度，這里m即為i的鄰居節(jié)點，Ns則表示螞蟻的路徑節(jié)點集。α、β是調(diào)節(jié)因子，它們能夠代表τj和Aj之間的關(guān)系。

3.基本算法

在基于改進AS算法的虛擬資源調(diào)度算法中，首先要將Worker節(jié)點的全部信息素進行始化，向Master節(jié)點提交用戶請求任務(wù)信息。然后將Master節(jié)點取出并在隊列中列為第一個請求任務(wù)作業(yè)。如果假設(shè)該任務(wù)作業(yè)由m個任務(wù)組成，那么Master節(jié)點就應(yīng)該發(fā)送n*m個螞蟻，如果n是一個參數(shù)，那么螞蟻的數(shù)量就與任務(wù)數(shù)量呈倍數(shù)關(guān)系存在。定時器歸零后，Master節(jié)點就會收回所有螞蟻，然后將任務(wù)分配給所有螞蟻并找到有效的虛擬機資源節(jié)點。每個任務(wù)分配到每個有效節(jié)點上之后任務(wù)就基本完成，接下來會對有效節(jié)點進行相關(guān)的信息素修改，最后重復(fù)此過程，直到所有用戶請求任務(wù)全部分配完成[2]。

三、基于節(jié)能降耗的虛擬機調(diào)度算法

基于節(jié)能降耗的虛擬機調(diào)度算法首先要求云計算平臺的物理服務(wù)器能夠提出一個電能消耗模型，保持在規(guī)定時間內(nèi)對物理服務(wù)器的電能總消耗，從而生成節(jié)能模型。本文簡單探討一下虛擬機的遷移策略。

(一)虛擬機遷移策略

選擇應(yīng)用于遷移功能的虛擬機后，利用MBFD算法把已選擇的虛擬機遷移到其他主機上，并利用虛擬機的最小化遷移策略來選擇節(jié)點CPU，當(dāng)CPU的利用率超過上界閾值時就要選擇數(shù)量最小的虛擬機進行相應(yīng)遷移。另外，如果是隨機選擇策略則要利用CPU利用率在超過上界閾值時，隨機選擇部分虛擬機進行相應(yīng)的資源信息遷移。如下列公式：

P(u)=k*Pmax+(1-k)*Pmax*u

公式中，Pmax表示服務(wù)器在滿負載時所消耗的所有電能，k表示服務(wù)器在空閑時所消耗的電能所占Pmax的整體比例，而u表示CPU的利用率，所以該遷移策略的時間函數(shù)t為：

(二)以節(jié)能為信任驅(qū)動的啟發(fā)式調(diào)度算法

利用節(jié)能為信任驅(qū)動的啟發(fā)式調(diào)度算法可以為云服務(wù)節(jié)省能耗，從而提高服務(wù)效率和質(zhì)量。本文提出一種基于TD Energy-aware-Opt算法的虛擬機初始化算法，它的驅(qū)動即為以節(jié)能為目的的信任虛擬機調(diào)度算法機制。將這種算法應(yīng)用于虛擬機中電能消耗最少的主機上，隨后利用信任驅(qū)動的虛擬機調(diào)度算法，就可以為用戶所提交的任務(wù)分配虛擬機資源，完成對用戶任務(wù)的執(zhí)行。其算法主要步驟如下：

首先是主機列表與虛擬機列表的輸入，然后對虛擬機與主機的映射結(jié)果allocation進行輸出，計算出CPU的利用率降序排列。在這其中，常量MAX值會反映給變量minPower，而變量allocatedhost則選擇為空。

其次將主機上的資源分配給虛擬機，預(yù)測主機與虛擬機的電壓值，并把預(yù)測后的結(jié)果給變量power。如果給變量power<常量給變量minPower，那么就把主機資源分配給allocatedhost，而把變量power值分配給minPower，最后返回最終的映射結(jié)果allocation。

TD Energy-aware-Opt啟發(fā)式算法基于以節(jié)能為信任驅(qū)動的模式進行計算，對于云計算平臺的電能消耗節(jié)約具有現(xiàn)實意義，同時，它也驗證了信任QoS、性能QoS以及電能消耗等方面的合理有效性[3]。

四、結(jié)語

總體而言，云計算作為一種新型的商業(yè)計算及服務(wù)模式，是一項具有科學(xué)技術(shù)發(fā)展里程碑式的先進技術(shù)。本文僅就云計算中虛擬機的資源分配，以及節(jié)能環(huán)保條件下的虛擬機資源均衡調(diào)度作出了淺顯的分析。希望在未來，圍繞提高資源使用效率這一核心話題對虛擬機的資源調(diào)度與均衡作出更進一步的挖掘與研究。

[1]殷小龍.云計算環(huán)境下的虛擬機調(diào)度策略研究[D].南京：南京郵電大學(xué),2014.

[2]姜永.云計算環(huán)境下虛擬機調(diào)度策略研究[D].北京：北方工業(yè)大學(xué),2014.

[3]劉永.云計算環(huán)境下虛擬機資源調(diào)度策略研究[D].濟南：山東師范大學(xué)，2012.

2095-4654(2015)10-0004-03

2015-08-19

TP311

A