基于動(dòng)態(tài)調(diào)整閾值的虛擬機(jī)遷移算法

趙 春，閆連山，崔允賀，邢煥來(lái)，馮 斌

(西南交通大學(xué) 信息科學(xué)與技術(shù)學(xué)院，成都 611756)(*通信作者電子郵箱lsyan@home.swjtu.edu.cn)

基于動(dòng)態(tài)調(diào)整閾值的虛擬機(jī)遷移算法

趙 春，閆連山*，崔允賀，邢煥來(lái)，馮 斌

(西南交通大學(xué) 信息科學(xué)與技術(shù)學(xué)院，成都 611756)(*通信作者電子郵箱lsyan@home.swjtu.edu.cn)

針對(duì)當(dāng)前數(shù)據(jù)中心服務(wù)器能耗優(yōu)化和虛擬機(jī)遷移時(shí)機(jī)合理性問(wèn)題，提出一種基于動(dòng)態(tài)調(diào)整閾值(DAT)的虛擬機(jī)遷移算法。該算法首先通過(guò)統(tǒng)計(jì)分析物理機(jī)歷史負(fù)載數(shù)據(jù)動(dòng)態(tài)地調(diào)整虛擬機(jī)遷移的閾值門(mén)限，然后通過(guò)延時(shí)觸發(fā)和預(yù)測(cè)物理機(jī)的負(fù)載趨勢(shì)確定虛擬機(jī)遷移時(shí)機(jī)。最后將該算法應(yīng)用到實(shí)驗(yàn)室搭建的數(shù)據(jù)中心平臺(tái)上進(jìn)行實(shí)驗(yàn)驗(yàn)證，結(jié)果表明基于DAT的虛擬機(jī)遷移算法比靜態(tài)閾值法關(guān)閉的物理機(jī)數(shù)量更多，云數(shù)據(jù)中心能耗更低?；贒AT的虛擬機(jī)遷移算法能根據(jù)物理機(jī)的負(fù)載變化動(dòng)態(tài)遷移虛擬機(jī)，達(dá)到提高物理機(jī)資源利用率、降低數(shù)據(jù)中心能耗、提高虛擬機(jī)遷移效率的目的。

數(shù)據(jù)中心；能耗；虛擬機(jī)遷移；預(yù)測(cè)；資源利用率

0 引言

隨著信息產(chǎn)業(yè)朝著移動(dòng)化、數(shù)字化、智能化方向的不斷推進(jìn)，一些新興信息服務(wù)模式如物聯(lián)網(wǎng)、智慧城市、軟件定義網(wǎng)絡(luò)正在逐步改變?nèi)藗兊纳睢＝陙?lái)，云計(jì)算和大數(shù)據(jù)技術(shù)的快速發(fā)展使當(dāng)前網(wǎng)絡(luò)中的數(shù)據(jù)量急劇增加，導(dǎo)致數(shù)據(jù)中心規(guī)模日益增大。大規(guī)模的數(shù)據(jù)中心由于其能量消耗的急劇上升，不僅增加了數(shù)據(jù)中心的運(yùn)維成本，而且增加了碳排放，對(duì)環(huán)境也造成了間接的影響，如何降低數(shù)據(jù)中心的能耗逐漸成為當(dāng)前的研究熱點(diǎn)[1-3]。當(dāng)前全球數(shù)據(jù)中心的物理機(jī)(Physical Machine, PM)資源大多數(shù)都沒(méi)有得到充分利用[4]，這導(dǎo)致數(shù)據(jù)中心有較多的物理機(jī)閑置，而一個(gè)空閑物理機(jī)的能耗大約是其峰值能耗的70%[5]。虛擬機(jī)(Virtual Machine, VM)整合技術(shù)通過(guò)虛擬機(jī)的動(dòng)態(tài)遷移能夠?qū)?shù)據(jù)中心中的虛擬機(jī)整合到少數(shù)物理機(jī)上，不僅實(shí)現(xiàn)了資源的最大化利用和節(jié)能減排目的，且有助于數(shù)據(jù)中心的資源管理。此外，不斷更新的硬件產(chǎn)品能夠增強(qiáng)對(duì)虛擬化的支持，使得虛擬機(jī)整合技術(shù)成為數(shù)據(jù)中心節(jié)能的重要手段。

在虛擬機(jī)整合過(guò)程中，最關(guān)鍵的步驟是虛擬機(jī)遷移觸發(fā)時(shí)機(jī)的判斷，而對(duì)觸發(fā)機(jī)制的研究分為靜態(tài)閾值觸發(fā)機(jī)制[6-7]和動(dòng)態(tài)閾值觸發(fā)機(jī)制[8-12]。文獻(xiàn)[6-7]都是基于靜態(tài)閾值的虛擬機(jī)遷移觸發(fā)機(jī)制，其為CPU利用率設(shè)定一個(gè)閾值門(mén)限，若物理機(jī)的CPU利用率不在此范圍內(nèi)則采取相應(yīng)的遷移策略以達(dá)到降低過(guò)載節(jié)點(diǎn)資源使用率或者關(guān)閉空閑節(jié)點(diǎn)實(shí)現(xiàn)節(jié)能的目的。

由于物理機(jī)負(fù)載隨虛擬機(jī)對(duì)資源的需求不斷變化而變化，而靜態(tài)閾值觸發(fā)機(jī)制不能根據(jù)物理機(jī)的負(fù)載變化對(duì)遷移閾值進(jìn)行動(dòng)態(tài)調(diào)整，所以靜態(tài)閾值觸發(fā)機(jī)制存在著固有的缺陷。針對(duì)該缺陷，文獻(xiàn)[10] 提出了一種統(tǒng)計(jì)分析物理機(jī)歷史CPU利用率來(lái)實(shí)現(xiàn)虛擬機(jī)遷移的觸發(fā)機(jī)制。此方法不但考慮了一段時(shí)間內(nèi)物理機(jī)的負(fù)載情況，還針對(duì)不同物理機(jī)設(shè)置不同閾值，提高了資源利用率，減少了不必要的虛擬機(jī)遷移，降低了數(shù)據(jù)中心能耗；但歷史負(fù)載數(shù)據(jù)中存在較多離群點(diǎn)時(shí)會(huì)對(duì)結(jié)果造成較大影響，此方法的適用性也會(huì)被大大削弱。文獻(xiàn)[11]提出了一種動(dòng)態(tài)閾值觸發(fā)機(jī)制，周期性地利用每個(gè)物理機(jī)CPU利用率歷史值的絕對(duì)中位差和四分位差設(shè)置高低閾值。該文中使用了一千多個(gè)真實(shí)虛擬機(jī)動(dòng)態(tài)變化的負(fù)載數(shù)據(jù)進(jìn)行算法仿真，結(jié)果表明該算法不僅能有效降低數(shù)據(jù)中心能耗，而且還減小了文獻(xiàn)[10]中由于歷史負(fù)載中存在離群點(diǎn)對(duì)閾值設(shè)置造成偏差的影響。文獻(xiàn)[12]提出了一種基于多資源預(yù)測(cè)方法的虛擬機(jī)遷移觸發(fā)機(jī)制。該方法基于線性回歸模型對(duì)每種物理機(jī)資源都利用過(guò)去t-1個(gè)時(shí)刻負(fù)載的線性組合來(lái)預(yù)測(cè)物理機(jī)下一時(shí)刻的負(fù)載值，當(dāng)預(yù)測(cè)值不在設(shè)定的閾值范圍內(nèi)時(shí)就進(jìn)行虛擬機(jī)遷移。在無(wú)離群點(diǎn)影響的情況下，基于時(shí)間序列模型的虛擬機(jī)遷移觸發(fā)機(jī)制能根據(jù)歷史負(fù)載對(duì)資源需求作較精確的判斷以減少不必要的虛擬機(jī)遷移，降低遷移代價(jià)；但當(dāng)模型階數(shù)較大時(shí)，離群點(diǎn)的權(quán)值系數(shù)越大，預(yù)測(cè)結(jié)果越不理想。

綜上所述，針對(duì)虛擬機(jī)遷移觸發(fā)時(shí)機(jī)研究的不足，本文提出一種基于動(dòng)態(tài)調(diào)整閾值(Dynamic Adjusting Threshold, DAT)的虛擬機(jī)遷移算法。

1 問(wèn)題描述

針對(duì)虛擬機(jī)遷移觸發(fā)時(shí)機(jī)的研究，大多數(shù)算法都是考慮物理機(jī)的CPU、內(nèi)存、帶寬三種資源的使用率。本實(shí)驗(yàn)室的數(shù)據(jù)中心實(shí)驗(yàn)平臺(tái)是基于OpenStack搭建的，而OpenStack通過(guò)使用超售手段將各計(jì)算節(jié)點(diǎn)原有的CPU個(gè)數(shù)乘以一個(gè)大于1的系數(shù)對(duì)外提供CPU資源，這種做法容易造成由于爭(zhēng)搶CPU資源而導(dǎo)致用戶業(yè)務(wù)暫停，降低數(shù)據(jù)中心的業(yè)務(wù)連續(xù)性。所以，本文針對(duì)虛擬機(jī)遷移觸發(fā)時(shí)機(jī)的研究主要以物理機(jī)的CPU資源使用率作為主要參數(shù)。

圖1描述了一個(gè)典型數(shù)據(jù)中心4臺(tái)物理機(jī)的資源使用情況。假定該數(shù)據(jù)中心的虛擬機(jī)遷移閾值門(mén)限設(shè)置為[40%,80%]。從圖1可以看出，PM3和PM4處于欠載狀態(tài)，即PM3和PM4的CPU利用率低于設(shè)置的虛擬機(jī)遷移下閾值，此時(shí)將觸發(fā)虛擬機(jī)的下限遷移。若將PM3和PM4上的虛擬機(jī)分別遷移到PM1和PM2上，PM1和PM2的CPU利用率都將大于80%，該CPU利用率超出了PM1和PM2的虛擬機(jī)遷移上閾值，因此不能將PM3和PM4上的虛擬機(jī)遷移到PM1和PM2上。圖2是經(jīng)過(guò)閾值調(diào)整后物理機(jī)資源的使用情況，經(jīng)過(guò)閾值調(diào)整后的虛擬機(jī)遷移上閾值為85%，此時(shí)可以將PM3和PM4上的虛擬機(jī)分別遷移到PM1和PM2上，并能夠關(guān)閉PM3和PM4節(jié)點(diǎn)以減小數(shù)據(jù)中心能耗。

圖1 數(shù)據(jù)中心物理機(jī)資源使用情況

本文提出的虛擬機(jī)遷移觸發(fā)算法可以根據(jù)物理機(jī)負(fù)載情況來(lái)動(dòng)態(tài)調(diào)整觸發(fā)虛擬機(jī)遷移的上下閾值。當(dāng)物理機(jī)負(fù)載波動(dòng)較小，即物理機(jī)過(guò)載的概率較小時(shí)，調(diào)整閾值范圍不僅能夠使單個(gè)物理機(jī)容納更多的虛擬機(jī)進(jìn)而能夠提高物理機(jī)的資源利用率，還能夠關(guān)閉欠載物理機(jī)以達(dá)到優(yōu)化數(shù)據(jù)中心能耗的目的。

本文算法的目的是降低數(shù)據(jù)中心的能量消耗，而數(shù)據(jù)中心的能耗主要由物理機(jī)能耗、制冷設(shè)備能耗和供電設(shè)備能耗組成，本文主要考慮物理機(jī)能耗。單個(gè)物理機(jī)的能耗[13]定義如下：

(1)

其中：Pidle為物理機(jī)空閑時(shí)功率，Pbusy為物理機(jī)滿載時(shí)功率，u(t)為物理機(jī)CPU利用率。

數(shù)據(jù)中心總能耗定義為：

(2)

由數(shù)據(jù)中心能耗公式可以直觀看出，活躍物理機(jī)個(gè)數(shù)越少，數(shù)據(jù)中心能耗越小。

圖2 閾值調(diào)整后物理機(jī)資源使用情況

2 基于動(dòng)態(tài)調(diào)整閾值的虛擬機(jī)遷移算法

本章介紹一種通過(guò)統(tǒng)計(jì)分析物理機(jī)歷史負(fù)載來(lái)動(dòng)態(tài)調(diào)整虛擬機(jī)遷移閾值門(mén)限觸發(fā)虛擬機(jī)整合的算法。該算法首先判定物理機(jī)負(fù)載程度，再對(duì)負(fù)載進(jìn)行預(yù)測(cè)，以達(dá)到更加準(zhǔn)確地選擇虛擬機(jī)遷移觸發(fā)時(shí)機(jī)的目的。

該算法主要根據(jù)物理機(jī)負(fù)載平穩(wěn)性對(duì)虛擬機(jī)遷移閾值進(jìn)行動(dòng)態(tài)調(diào)整。物理機(jī)負(fù)載平穩(wěn)性定義如下：

(3)

其中:xi為第i個(gè)時(shí)刻的物理機(jī)負(fù)載，xavg為歷史負(fù)載均值。Pload越小說(shuō)明物理機(jī)負(fù)載波動(dòng)越小，處于高負(fù)載狀態(tài)的物理機(jī)過(guò)載概率越??；而處于低負(fù)載狀態(tài)的物理機(jī)上的虛擬機(jī)負(fù)載趨于平穩(wěn)，將其上的虛擬機(jī)遷移到其他物理機(jī)上發(fā)生過(guò)載的概率也越小。

基于DAT的虛擬機(jī)遷移算法使用自回歸模型對(duì)未來(lái)時(shí)刻負(fù)載作預(yù)測(cè)，第t時(shí)刻物理機(jī)CPU利用率的預(yù)測(cè)值定義為：

(4)

其中：αj表示自回歸系數(shù)，xn-j表示第n-j個(gè)時(shí)刻的物理機(jī)負(fù)載，et表示滿足正態(tài)分布的噪聲。

本文提出的基于動(dòng)態(tài)調(diào)整閾值的虛擬機(jī)遷移觸發(fā)算法偽代碼如算法1所示。

算法1 基于動(dòng)態(tài)調(diào)整閾值的虛擬機(jī)遷移算法。

輸入 物理機(jī)歷史負(fù)載數(shù)據(jù)列表Historical_Load;

1)

Historical_Load.remove(maxandmin)

2)

count←len(Historical_Load)

/*判定物理機(jī)負(fù)載波動(dòng)等級(jí)*/

3)

ifPload>load_highthen

4)

S←[Tlow,Thigh]

/*基礎(chǔ)閾值*/

5)

else ifload_low

6)

S←[Tlow+Δt,Thigh+Δt]

7)

else ifPload≤load_lowthen

8)

S←[Tlow+2Δt,Thigh+2Δt]

9)

forjinHistorical_Loaddo

10)

ifj>Thighthen

11)

count_high++;

12)

else ifj

13)

count_low++;

14)

end

15)

ifcount_high/count>p&&X(t)>Thighthen

/*物理機(jī)過(guò)載*/

16)

migrate VMs from overload PM

17)

else ifcount_low/count>p&&X(t)

/*物理機(jī)欠載*/

18)

migrate VMs from underload PM

算法1首先借鑒穩(wěn)健統(tǒng)計(jì)思想淘汰歷史負(fù)載數(shù)據(jù)中的最大值和最小值，進(jìn)而降低離群點(diǎn)對(duì)算法的影響(第1)行)。本文將基礎(chǔ)閾值范圍S設(shè)為[40%,80%]，調(diào)整幅度Δt=5%，負(fù)載波動(dòng)范圍分兩個(gè)等級(jí)：5%和10%。若負(fù)載平穩(wěn)且波動(dòng)相對(duì)較大，將上閾值和下閾值分別調(diào)大一個(gè)幅度；若負(fù)載平穩(wěn)且波動(dòng)相對(duì)較小，將上閾值和下閾值分別調(diào)大兩個(gè)幅度(3)～8)行)。當(dāng)物理機(jī)處于高負(fù)載狀態(tài)時(shí)，負(fù)載波動(dòng)越大越容易出現(xiàn)資源需求得不到滿足的情況。所以，波動(dòng)相對(duì)較大的物理機(jī)上閾值調(diào)整幅度小，波動(dòng)相對(duì)較小的物理機(jī)上閾值調(diào)整幅度大。將虛擬機(jī)遷移上閾值調(diào)大使物理機(jī)能夠容納更多的虛擬機(jī)；將下閾值調(diào)大可以關(guān)閉更多的物理機(jī)，節(jié)約的能耗也越多。最后通過(guò)延時(shí)觸發(fā)和利用自回歸模型使虛擬機(jī)遷移觸發(fā)時(shí)機(jī)更加準(zhǔn)確(9)～18)行)。在此步驟中的p屬于一個(gè)經(jīng)驗(yàn)值，本文取0.5。

3 實(shí)驗(yàn)與結(jié)果分析

基于虛擬機(jī)整合實(shí)現(xiàn)節(jié)能的算法大多是基于CloudSim平臺(tái)進(jìn)行仿真驗(yàn)證，本文則在真實(shí)的數(shù)據(jù)中心環(huán)境進(jìn)行了實(shí)驗(yàn)。為了驗(yàn)證算法性能，本文對(duì)比了基于DAT的虛擬機(jī)遷移算法(以下簡(jiǎn)記為DAT)和基于靜態(tài)閾值的虛擬機(jī)遷移算法——能量感知的虛擬機(jī)遷移算法(Energy Aware Migration, EAM)[14]在能量消耗、活躍物理機(jī)個(gè)數(shù)和虛擬機(jī)遷移效率等三方面的性能差異。

3.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)室的云數(shù)據(jù)中心平臺(tái)基于OpenStack進(jìn)行搭建，其包含1個(gè)控制節(jié)點(diǎn)、1個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)和8個(gè)計(jì)算節(jié)點(diǎn)。上述10個(gè)節(jié)點(diǎn)均為型號(hào)為T(mén)hinkServer RD640的服務(wù)器，物理機(jī)和虛擬機(jī)的具體配置如表1所示。實(shí)驗(yàn)過(guò)程中使用力創(chuàng)功率計(jì)記錄數(shù)據(jù)中心能耗值。

表1 物理機(jī)和虛擬機(jī)配置

3.2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)過(guò)程如下：首先在數(shù)據(jù)中心隨機(jī)創(chuàng)建40個(gè)虛擬機(jī)，且保證每個(gè)物理機(jī)上至少創(chuàng)建一個(gè)虛擬機(jī)；再隨機(jī)在14個(gè)虛擬機(jī)上運(yùn)行計(jì)算π值的蒙特卡羅算法應(yīng)用，分別使用DAT和EAM對(duì)虛擬機(jī)進(jìn)行整合。實(shí)驗(yàn)分5組進(jìn)行，每組實(shí)驗(yàn)均使用力創(chuàng)功率計(jì)每隔5 min采集一次數(shù)據(jù)中心能耗值，共采集12次，并在1 h后記錄虛擬機(jī)的遷移次數(shù)和關(guān)閉物理機(jī)個(gè)數(shù)，最后進(jìn)行數(shù)據(jù)整理。

圖3為上述實(shí)驗(yàn)中具有代表性的數(shù)據(jù)中心間隔能耗圖。如圖3所示，DAT和EAM在第一個(gè)能耗間隔內(nèi)首先檢測(cè)到有一臺(tái)物理機(jī)欠載，將其上的虛擬機(jī)遷移出去并關(guān)閉該物理機(jī)。由于DAT能動(dòng)態(tài)調(diào)整虛擬機(jī)遷移閾值，所以在前兩個(gè)間隔內(nèi)，其比EAM多關(guān)閉了兩臺(tái)負(fù)載平穩(wěn)的物理機(jī)。所以EAM在第一個(gè)間隔內(nèi)能耗值呈下降趨勢(shì)，DAT在前兩個(gè)間隔內(nèi)呈下降趨勢(shì)，且DAT減少的能耗更多。由圖3可知，DAT能夠根據(jù)物理機(jī)負(fù)載平穩(wěn)性自動(dòng)調(diào)整虛擬機(jī)遷移的閾值門(mén)限，并且能夠?qū)ω?fù)載趨勢(shì)進(jìn)行預(yù)測(cè)，所以該算法能夠關(guān)閉更多輕負(fù)載物理機(jī)使數(shù)據(jù)中心能耗更低。圖4為執(zhí)行上述兩種算法和未作虛擬機(jī)整合時(shí)數(shù)據(jù)中心一個(gè)小時(shí)內(nèi)的能耗值。在第3次實(shí)驗(yàn)中，由于7臺(tái)物理機(jī)的CPU利用率均在閾值門(mén)限經(jīng)DAT調(diào)整后的范圍內(nèi)，所以DAT的節(jié)能效果和EAM一樣。與未作虛擬機(jī)整合相比，DAT能耗節(jié)省了將近24.8%，而EAM節(jié)省了9.8%?？傮w來(lái)看，基于DAT的虛擬機(jī)遷移算法在節(jié)能方面有更突出的優(yōu)勢(shì)。

圖3 等間隔時(shí)間內(nèi)的數(shù)據(jù)中心能耗

圖4 1 h內(nèi)數(shù)據(jù)中心能耗

表2為5組實(shí)驗(yàn)中DAT和EAM分別對(duì)數(shù)據(jù)中心進(jìn)行虛擬機(jī)整合并運(yùn)行1 h后統(tǒng)計(jì)的關(guān)閉物理機(jī)數(shù)量。從數(shù)據(jù)中心的能耗值公式(2)可知，數(shù)據(jù)中心的活躍物理機(jī)個(gè)數(shù)越少，其能量消耗也就越小。表2直觀地反映了DAT比EAM關(guān)閉的物理機(jī)更多，節(jié)約的能耗也越多。

表3為五組實(shí)驗(yàn)中DAT和EAM的虛擬機(jī)遷移效率對(duì)比，此處的虛擬機(jī)遷移效率定義如下：

(5)

虛擬機(jī)遷移效率反映了虛擬機(jī)遷移次數(shù)和關(guān)閉物理機(jī)個(gè)數(shù)之間的關(guān)系，虛擬機(jī)遷移次數(shù)越少，關(guān)閉物理機(jī)個(gè)數(shù)越多，虛擬機(jī)的遷移效率也越高。在第五次實(shí)驗(yàn)中，EAM沒(méi)有觸發(fā)虛擬機(jī)遷移的閾值條件，未能關(guān)閉任意一臺(tái)物理機(jī)，所以虛擬機(jī)遷移效率為0。由表3可知，DAT的虛擬機(jī)遷移效率整體上要比EAM高。

總體來(lái)看，針對(duì)虛擬機(jī)整合問(wèn)題，本文提出的基于DAT的虛擬機(jī)遷移算法比基于靜態(tài)閾值的虛擬機(jī)遷移算法的綜合效果更好。

表2 關(guān)閉物理機(jī)數(shù)量

表3 虛擬機(jī)遷移效率 %

4 結(jié)語(yǔ)

本文針對(duì)數(shù)據(jù)中心能耗優(yōu)化問(wèn)題提出了基于動(dòng)態(tài)調(diào)整閾值的虛擬機(jī)遷移觸發(fā)機(jī)制，該機(jī)制根據(jù)物理機(jī)歷史負(fù)載數(shù)據(jù)界定負(fù)載波動(dòng)等級(jí)來(lái)動(dòng)態(tài)調(diào)整虛擬機(jī)遷移的閾值門(mén)限。最后在真實(shí)的云數(shù)據(jù)平臺(tái)上通過(guò)實(shí)驗(yàn)對(duì)提出的基于DAT的虛擬機(jī)遷移算法進(jìn)行了驗(yàn)證，結(jié)果表明相比基于靜態(tài)閾值的虛擬機(jī)遷移算法，本文算法能夠提高數(shù)據(jù)中心內(nèi)物理機(jī)資源利用率、降低數(shù)據(jù)中心能耗、提高虛擬機(jī)的遷移效率。下一步的工作是將本文提出的動(dòng)態(tài)閾值調(diào)整算法應(yīng)用到大型數(shù)據(jù)中心的節(jié)能減排項(xiàng)目中。

References)

[1] KANG D-K, ALHAZEMI F, KIM S-H, et al. Dynamic virtual machine consolidation for energy efficient cloud data centers [C]// Proceedings of the 6th International Conference on Cloud Computing, LNICST 167. Berlin: Springer, 2016: 70-80.

[2] ARROBA P, MOYA J M, AYALA J L, et al. Dynamic voltage and frequency scaling‐aware dynamic consolidation of virtual machines for energy efficient cloud data centers [J]. Concurrency and Computation: Practice and Experience, 2016, 29(10): e4067.

[3] LI H, ZHU G, CUI C, et al. Energy-efficient migration and consolidation algorithm of virtual machines in data centers for cloud computing [J]. Computing, 2016, 98(3): 303-317.

[4] VMware, server consolidation overview, building a virtual infrastructure [EB/OL]. (2009) [2016- 11- 13]. https://www.vmware.com/solutions/consolidation.html.

[5] FAN X B, WEBER W D, BARROSO L A. Power provisioning for a warehouse-sized computer [C]// ISCA ’07: Proceedings of the 34th Annual International Symposium on Computer Architecture. New York: ACM, 2007: 13-23.

[6] MURTAZAEV A, OH S. Sercon: server consolidation algorithm using live migration of virtual machines for green computing [J]. IETE Technical Review, 2011, 28(3): 212-231.

[7] HSU C-H, SLAGTER K D, CHEN S-C, et al. Optimizing energy consumption with task consolidation in clouds [J]. Information Sciences, 2014, 258: 452-462.

[8] MAURYA K, SINHA R. Energy conscious dynamic provisioning of virtual machines using adaptive migration thresholds in cloud data center [J]. International Journal of Computer Science and Mobile Computing, 2013, 2(3): 74-82.

[9] TAKOUNA I, ALZAGHOUL E, MEINEL C. Robust virtual machine consolidation for efficient energy and performance in virtualized data centers [C]// Proceedings of 2014 IEEE International Conference on Internet of Things / IEEE International Conference on Green Computing and Communications / IEEE International Conference on Cyber-Physical-Social Computing. Washington, DC: IEEE Computer Society, 2014: 470-477.

[10] CAO Z, DONG S. Dynamic VM consolidation for energy-aware and sla violation reduction in cloud computing [C]// PDCAT ’12: Proceedings of the 2012 13th International Conference on Parallel and Distributed Computing, Applications and Technologies. Washington, DC: IEEE Computer Society, 2012: 363-369.

[11] BELOGLAZOV A, BUYYA R. Optimal online deterministic algorithms and adaptive heuristics for energy and performance efficient dynamic consolidation of virtual machines in cloud data centers [J]. Concurrency and Computation: Practice and Experience: Special Issue on Middleware for Clouds and e-Science, 2012, 24(13): 1397-1420.

[12] HIEU N T, FRANCESCO M D, YLAJAASKI A. Virtual machine consolidation with usage prediction for energy-efficient cloud data centers [C]// Proceedings of the 8th IEEE International Conference on Cloud Computing. Piscataway, NJ: IEEE, 2015: 750-757.

[13] ECONOMOU D, RIVOIRE S, KOZYRAKIS C, et al. Full-system power analysis and modeling for server environments [EB/OL]. [2016- 12- 04]. http://rivoire.cs.sonoma.edu/research/pubs/economou.2006.mantis.mobs.slides.pdf.

[14] AL SHAYEJI M H, SAMRAJESH M D. An energy-aware virtual machine migration algorithm [C]// ICACC ’12: Proceedings of the 2012 International Conference on Advances in Computing and Communications. Washington, DC: IEEE Computer Society, 2012: 242-246.

Dynamicadjustingthresholdalgorithmforvirtualmachinemigration

ZHAO Chun, YAN Lianshan*, CUI Yunhe, XING Huanlai, FENG Bin

(SchoolofInformationScienceandTechnology,SouthwestJiaotongUniversity,ChengduSichuan611756,China)

Aiming at the optimization of servers’ energy consumption in data center and the reasonable migration time of Virtual Machine (VM), a VM migration algorithm based on Dynamic Adjusting Threshold (DAT) was proposed. Firstly, the migration threshold was dynamically adjusted by analyzing the historical load data acquired from Physical Machine (PM), then the time for migrating VMs was decided by the delay trigger mechanism and the PM load trend prediction. The VM migration algorithm based on DAT was tested on datacenter platform in the laboratory. Experimental results indicate that compared with the static threshold method, the number of the shut down PMs of the proposed algorithm is larger, and the energy consumption of the data center is lower. The VM migration algorithm based on DAT can dynamically migrate VMs according to the variation of PM load, thus improving the utilization of resources and the efficiency of VM migration, reducing the energy consumption of the data center.

data center; energy consumption; Virtual Machine (VM) migration; prediction; resource utilization rate

2017- 02- 26;

2017- 04- 26。

國(guó)家自然科學(xué)基金資助項(xiàng)目(61401374);中國(guó)鐵路總公司重大項(xiàng)目(2016X008-D)。

趙春(1992—)，女，四川成都人，碩士研究生，主要研究方向：數(shù)據(jù)中心節(jié)能調(diào)度； 閆連山(1971—)，男，山東招遠(yuǎn)人，教授，博士，主要研究方向：光通信、物聯(lián)網(wǎng)、軟件定義網(wǎng)絡(luò)； 崔允賀(1987—)，男，山東濟(jì)寧人，博士研究生，主要研究方向：軟件定義網(wǎng)絡(luò)、網(wǎng)絡(luò)安全；邢煥來(lái)(1983—)，男，河北唐山人，副教授，博士，主要研究方向：進(jìn)化計(jì)算、網(wǎng)格編碼； 馮斌(1991—)，男，四川成都人，碩士研究生，主要研究方向：數(shù)據(jù)中心帶寬分配。

時(shí)間 2017- 08- 15 09:37:19。 網(wǎng)絡(luò)出版地址 http://kns.cnki.net/kcms/detail/51.1307.TP.20170815.0937.002.html。

1001- 9081(2017)09- 2547- 04

10.11772/j.issn.1001- 9081.2017.09.2547

TP393.027

A

This work is partially supported by the National Natural Science Foundation of China (61401374), the Major Projects of China Railway (2016X008-D).

ZHAOChun, born in 1992, M. S. candidate. Her research interests include energy-saving dispatching of data center.

YANLianshan, born in 1971, Ph. D., professor. His research interests include optical communication, Internet of things, software defined network.

CUIYunhe, born in 1987, Ph. D. candidate. His research interests include software defined network, network security.

XINGHuanlai, born in 1983, Ph. D., associate professor. His research interests include evolutionary computing, trellis coding.

FENGBin, born in 1991, M. S. candidate. His research interests include data center bandwidth allocation.