云數(shù)據(jù)中心面向低能源消耗的虛擬機分配策略

曹卉

摘 ?要： 虛擬機分配策略是提高云數(shù)據(jù)中心的物理主機利用率和降低能源消耗的關鍵技術。文中提出云數(shù)據(jù)中心面向低能源消耗的虛擬機分配策略LEC?VM。LEC?VM包括2個組成部分：虛擬機放置策略和虛擬機遷移優(yōu)化策略。通過放置策略將云數(shù)據(jù)中心的虛擬機分配到最合適的物理節(jié)點之上，保證整個系統(tǒng)的CPU利用率低于一個給定的閾值; 通過遷移優(yōu)化策略，根據(jù)系統(tǒng)的當前狀態(tài)動態(tài)遷移虛擬機，對物理主機的資源進行優(yōu)化。利用CloudSim作為云數(shù)據(jù)中心的云端測試環(huán)境。 測試結(jié)果表明，LEC?VM可以減少云數(shù)據(jù)中心的SLA違規(guī)，保證云計算的服務質(zhì)量， 與其他的虛擬機分配策略比較起來，可以降低能源消耗。

關鍵詞： 虛擬機; 資源分配; 低能源消耗; 云數(shù)據(jù)中心; 虛擬化技術; 云計算

中圖分類號： TN245?34; TP393.093 ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2019）20?0128?05

Low energy consumption virtual machine allocation strategy in cloud data center

CAO Hui

（Credit Bank Management Center， Henan Radio & Television University， Zhengzhou 450000， China）

Abstract： Virtual machine allocation strategy is a key technology to reduce energy consumption and improve the utilization of physical hosts in cloud data center. A low energy consumption virtual machine （LEC?VM） allocation strategy in cloud data centers is proposed. The LEC?VM is composed of two components： virtual machine placement strategy and virtual machine migration optimization strategy. The virtual machines in the cloud data center is assigned to the most appropriate physical nodes by means of placement strategy to ensure the CPU utilization of the entire system is below a given threshold. The virtual machine is migrated dynamically according to the current state of the system by means of migration optimization strategy， and the resources of the physical host are optimized. CloudSim is taken as the cloud test environment of cloud data center. The test results show that LEC?VM can reduce SLA violations of cloud data centers， guarantee the service quality of cloud computing， and reduce energy consumption in comparison with other virtual machine allocation strategies.

Keywords： virtual machine; resource allocation; low energy consumption; cloud data center; virtualization technology; cloud computing

近年來隨著云計算、大數(shù)據(jù)等技術的快速發(fā)展，各類大型IT企業(yè)都已經(jīng)逐步建立了自己的基于云的大數(shù)據(jù)中心，其消耗的能源也與日俱增，政府與企業(yè)都在開始研究云數(shù)據(jù)中心的低能耗問題，倡導低碳環(huán)保生活與綠色云計算[1?2]。

云數(shù)據(jù)中心的虛擬機分配策略是目前提高云端資源利用效率和降低能量消耗的主要技術，它能夠?qū)梅辗庋b在虛擬機之中，在服務請求減少的情況下，將云端的多個虛擬機遷移到一個物理服務器，關閉空閑服務器或者使空閑服務器進入睡眠模式[3?6];當服務請求增加時，重新喚醒空閑服務器，并將超負載服務器中的虛擬機遷移到空閑服務器或者低負載服務器，以此來提高云數(shù)據(jù)中心資源利用的效率[7]。

在研究低能源消耗的虛擬機分配策略的時候，云數(shù)據(jù)中心的服務質(zhì)量（QoS）也是重要因素值得考慮，因為云數(shù)據(jù)中心的最主要的目標是保證各類IT服務可以正常地提供給客戶端，如果QoS不能保證，將會出現(xiàn)SLA違規(guī)（SLA Violation）問題，這樣企業(yè)的云數(shù)據(jù)中心將會失去商業(yè)利潤。如果使用過多的IT物理資源來保證QoS，這樣能源消耗就會增加，間接地提高了企業(yè)的成本，所以虛擬機分配策略要保證能源消耗和QoS之間的平衡。

1 ?相關工作

目前學術界利用云端的虛擬機動態(tài)遷移的手段來節(jié)省云端的能源消耗，進行了大量的研究。早期的技術有預復制Pre?copy[8]、后復制Post?copy、混合復制等， 這些主要是應用在單虛擬機遷移領域（Single Virtual Machine Migration）或者非云端的虛擬機遷移。隨著云端服務規(guī)模的擴大，目前都是多虛擬機遷移（Multiply Virtual Machine Migration）。

文獻[7]提出一種集群中多虛擬機的遷移策略，并評價了云端多虛擬機遷移的負載與性能變化。Luo等人同樣從CPU維度對虛擬機的動態(tài)配置問題進行建模，并利用改進的蛙跳算法進行求解[9]。Xu等人提出了PS?ABC算法，該方法能夠在長期服務項目的局部時間段內(nèi)實現(xiàn)較好的節(jié)能效果，但是在服務項目全局的能耗優(yōu)化問題上，效果并不理想[10]。Zhao等人在此基礎上提出了PS?ES啟發(fā)式算法，不僅實現(xiàn)了當前場景的能源優(yōu)化，而且也有效降低了長期服務項目總體的能源消耗，但其考慮的維度較單一[11]。Cao等人在Beloglazov研究的基礎上提出SLA違規(guī)算法，引入最小能源最大利用率策略，進一步優(yōu)化虛擬機配置方法[12]。上述這些方法的主要目的是應用虛擬機動態(tài)遷移技術實現(xiàn)云端服務的負載均衡，優(yōu)化服務器的電力能量管理等，最終是為了改善云端的服務質(zhì)量，減少SLA違規(guī)。

本文提出了云數(shù)據(jù)中心面向低能源消耗的虛擬機分配策略LEC?VM （Low Energy Consumption Oriented Virtual Machine Allocation Strategy）。LEC?VM主要面向低能量消耗，同時保證IT企業(yè)的Qos與低能源消耗相平衡。

本文最后通過CloudSim工具模擬了云數(shù)據(jù)中心虛擬機分配策略的LEC?VM的性能。實驗結(jié)果表明，LEC?VM比常見的虛擬機分配策略要優(yōu)秀，能夠?qū)崿F(xiàn)低能源消耗和減少SLA違規(guī)，保證IT云數(shù)據(jù)中心的QoS。

2 ?云數(shù)據(jù)中心虛擬機分配方法分析

云數(shù)據(jù)中心的虛擬機分配可以劃分為2個步驟：第一步是針對新的請求生成新的虛擬機（Virtual Machine）并將虛擬機放置到可用的物理節(jié)點Host;第二步是優(yōu)化物理主機上的虛擬機。根據(jù)已經(jīng)存在的虛擬機分配策略[13]，第一步被認為是一個多維裝箱的問題，即將物理主機Host抽象為箱子，箱子的容量是服務器資源的大小，包括CPU、內(nèi)存、硬盤和網(wǎng)絡帶寬;虛擬機抽象為裝入的物品，其所用的資源就是物品的大小;資源的種類被抽象為裝箱問題的維度[14]。此類問題是一個基于多約束的整數(shù)規(guī)劃問題，同時也是一個NP?hard問題，這種多約束的多目標優(yōu)化問題，往往求其近似最優(yōu)解。云數(shù)據(jù)中心的虛擬機放置示意圖如圖1所示，應用程序可表示為A={A1，A2，…，An}，n臺同構(gòu)的主機PM={PM1，PM2，…，PMn}和m臺虛擬機VM={VM1，VM2，…，VMm}，客戶請求為LQ={LQ1，LQ2，…，LQm}。

圖1 ?云數(shù)據(jù)中心的虛擬機放置示意圖

第二步是遷移優(yōu)化問題。一個好的虛擬機分配策略，應該根據(jù)應用程序的狀態(tài)使虛擬機在遷移時能夠被部署在合適的物理服務器上，如果虛擬機并不需要所有的物理資源，那么他們應該被透明地重新劃分尺寸，并使所需要的物理節(jié)點數(shù)目最小?？臻e的物理節(jié)點應該能夠轉(zhuǎn)入到睡眠模式，這樣使云數(shù)據(jù)中心的能源消耗最小。虛擬機分配及優(yōu)化應該基于下面兩個標準考慮：

1） 設置物理主機的資源利用率閾值upper_utilization，保持整體的虛擬機的CPU利用率都要低于這個閾值;

2） 設置虛擬機的資源利用率閾值的上限upper_utilization和下限lower_utilization， 保證整體的虛擬機的CPU的利用率都要處于這個閾值下限和上限之間。

為了要達到低能源消耗和防止?jié)撛诘腟LA違規(guī)，保證云數(shù)據(jù)中心的服務質(zhì)量， 目前常見的虛擬機分配策略包括下面四類：

1） 單一閾值策略 （Single Threshold，ST）。它是基于單純上限閾值（upper_utilization）的物理主機的利用率閾值策略，將虛擬機分配到那些能夠保證所有的CPU都是低于物理主機閾值的方法。ST策略目標是保證資源的自由性，這樣可以保證IT服務的質(zhì)量，新的虛擬機分配通過虛擬機的在線遷移完成。

2） 最小遷移次數(shù)策略 （MM，Minimization of Migrations）。這個策略主要基于虛擬機選擇和遷移的次數(shù)最小標準，對于那些超過了CPU利用率閾值上限情形并不考慮在內(nèi)，也許并不遷移。

3） 最高潛在增加策略（HPG，Highest Potential Growth）。該策略在超過了物理資源的CPU利用率的閾值上限時， 將通過虛擬機的參數(shù)，遷移那些CPU利用率高虛擬機，這樣可以降低和最小化物理主機的利用率，也可以防止SLA違規(guī)。

4） 隨機選擇策略（RC，Random Choice）。該策略對于那些超過最高閾值的物理主機，隨機選擇一定數(shù)目的虛擬機，從而降低該物理主機的CPU利用率。下一節(jié)將重點討論本文的LEC?VM虛擬機分配策略。

3 ?LEC?VM虛擬機分配策略

3.1 ?LEC?VM策略流程

LEC?VM虛擬機分配策略最直接的思路就是首先放置虛擬機到那些主機的CPU利用率低于最小閾值的那些物理節(jié)點，然后優(yōu)化虛擬機的分配策略，使虛擬機動態(tài)的遷移，保證所有的物理節(jié)點的CPU利用率一直是低于最小閾值，并且關閉那些空閑的物理節(jié)點，使整個云數(shù)據(jù)中心的能源消耗最小。

但是通過前面的分析，如果整個系統(tǒng)中的虛擬機遷移數(shù)量比較大，容易造成大量SLA 違規(guī)，從而影響云平臺的IT服務質(zhì)量QoS。 LEC?VM策略的設計目標是在云數(shù)據(jù)中心可以正確地提供合適的物理資源之上，同時約束虛擬機遷移數(shù)量，這樣就可以最終減少SLA違規(guī)情況，同時使云數(shù)據(jù)中心的能源消耗最小。

圖2 描述了LEC?VM虛擬機分配策略的流程。該策略有兩個組成部分Algorithm 1和Algorithm 2。第一個部分Algorithm 1是利用虛擬機的放置來保證空閑資源的使用效率低于預定的最小閾值。當虛擬機請求個數(shù)在不斷增加的情況下，系統(tǒng)對物理資源的需求也越大，這樣也可以在一定程度上防止SLA 違規(guī)。

? ?圖2 ?LEC?VM面向低能源消耗的虛擬機分配流程

第二個組成部分Algorithm 2是采用虛擬機在云數(shù)據(jù)中心中動態(tài)的遷移，遷移到那些CPU利用率比較小、負載比較輕的物理節(jié)點，如果物理資源大量空閑，就關閉空閑資源的電源，最終降低云數(shù)據(jù)中心的能源消耗。

3.2 ?LEC?VM算法描述

Algorithm 1的主要功能是完成虛擬機的放置。算法設置了一個物理主機使用效率（負載情況）的閾值上限UpperThresholdUtilization，然后每個虛擬機組成一個虛擬機列表，對列表中的每個虛擬機都重復地尋找物理主機，判斷其整體的CPU使用效率（負載情況）是否低于預先設定的閾值上限。 這里CPU的整體的負載情況是該物理主機上所有虛擬機所消耗的CPU資源的累計之和。然后選擇一個物理主機設置為被分配的物理主機，并且虛擬機就放置在該物理節(jié)點上。隨著該物理節(jié)點上虛擬機數(shù)量的增加，其消耗的能源情況也會逐漸的增加。該算法將虛擬機列表中的所有虛擬機都放置到合適的物理節(jié)點之后停止，該算法的復雜度與必須被放置的虛擬機的數(shù)量密切相關，也與可用的物理節(jié)點數(shù)量有關系。

算法的第二部分Algorithm 2主要是虛擬機動態(tài)遷移與優(yōu)化算法， 首先設置一個物理主機的列表，按照物理主機的負載情況（運行在其上的虛擬機）進行排序，指定最低負載情況閾值，用來約束物理主機上的虛擬機遷移次數(shù)。

設置一個計數(shù)器counter， counter等于被排序的所有的物理主機數(shù)目， 此時開始整個虛擬機的優(yōu)化策略過程。首先對于主機列表中的每個主機i，如果主機的負載小于遷移閾值，表明主機是未充分利用（under?utilized），那么虛擬機就應該遷移到該物理節(jié)點。虛擬機的遷移首先在主機j上進行， 那些具有最高CPU利用率的主機一直持續(xù)在工作。

根據(jù)第一部分的思路，如果物理主機的整體CPU利用率低于某個預定的閾值下限，那么虛擬機將遷移到物理主機j。

如果主機j的整體CPU利用率超過了預定的閾值上限，那么那些處于未充分利用（under?utilized）的物理主機也不能遷移到該物理節(jié)點，因此這時先前的那些列表中排序的物理節(jié)點將被進行檢查用來遷移，此時計數(shù)器counter數(shù)目減1。該過程將一直執(zhí)行，直到主機i中的所有虛擬機都被遷移到主機j。

對于所有的那些處于under?utilized狀態(tài)的物理主機，該過程重復執(zhí)行，直到物理主機的i值等于計數(shù)器counter的值。

通過這種方式，LEC?VM策略可以約束虛擬機的遷移次數(shù)，這樣云數(shù)據(jù)中心的SLA違規(guī)情形也會減少，整個云平臺的服務質(zhì)量Qos也會提高。Algorithm 2的偽代碼如下：

4 ?仿真實驗與性能分析

4.1 ?仿真環(huán)境

本節(jié)采用CloudSim軟件仿真IaaS環(huán)境。模擬的云數(shù)據(jù)中心具有200個物理主機，每個主機具有雙核CPU， 其性能相當于1 860 MIPS和2 660 MIPS，具有5 GB的內(nèi)存和1 TB的磁盤空間。

模擬客戶端的應用程序提交310個虛擬機，保證云數(shù)據(jù)中心的物理主機的基本負載。采用2種已經(jīng)的能量管理策略DVFS和NPA，還有另外的ST遷移策略和MM遷移策略。 DVFS是根據(jù)芯片所運行的應用程序?qū)τ嬎隳芰Φ牟煌枰?，動態(tài)調(diào)節(jié)芯片的運行頻率和電壓。NPA（No Power Aware Policy）是一種無能量管理的隨機策略。ST是單一閾值策略， MM是最小遷移次數(shù)策略。

4.2 ?性能分析

表1中列出了通過單一閾值策略 （ST）和最小遷移次數(shù)策略（MM）的比較情況。表2中列出了通過使用LEC?VM完成虛擬機的分配后的能源消耗情況。幾次實驗都在不同的物理主機CPU利用率閾值設置上限和下限情形下完成。

? ?表1 ? 云數(shù)據(jù)中心不同能量管理策略性能分析

從表1和表2的模擬結(jié)果可以看出，本文的LEC?VM虛擬機遷移策略可以獲得比較低的能源消耗，具體體現(xiàn)在三個方面：

1） 在物理主機CPU利用率上限閾值設置為90%的情形下，對于NPA策略、DVFS策略、ST策略和MM策略來言，LEC?VM分別有67%，31%，7%和0.89%的能量消耗的降低，在物理主機CPU利用率下限閾值設置為30%的情形下，只有大約2.72%的SLA違規(guī)情況。

2） 在物理主機CPU利用率閾值設置為40%～90%的情形下，對于NPA策略、DVFS策略、ST策略和MM策略來言， LEC?VM分別有68%，34%，10%和4%的能量消耗的降低，有大約2.29%的SLA違規(guī)情況。

3） 在物理主機CPU利用率閾值設置為50%～90%的情形下，對于NPA策略、DVFS策略、ST策略和MM策略來言，分別有71%，40%，19%和13%的能量消耗的降低，有大約3.01%的SLA違規(guī)情況。

? ?表2 ?云數(shù)據(jù)中心中LEC?VM策略性能分析

從表1和表2還可以看出，ST遷移策略的虛擬機遷移次數(shù)是本文的LEC?VM虛擬機分配策略的3倍;MM虛擬機遷移策略的虛擬機遷移次數(shù)是本文的LEC?VM虛擬機分配策略的2倍。這個結(jié)果可以證明LEC?VM策略可以很好地減少SLA違規(guī)，SLA違規(guī)在2.29%時，大約只有47.19 kW·h的能源消耗;SLA違規(guī)在3.01%時，只有42.71 kW·h的能源消耗。

5 ?結(jié) ?論

本文針對云數(shù)據(jù)中心的低能源消耗和高服務質(zhì)量的要求，提出一種面向低能源消耗的虛擬機分配策略LEC?VM。LEC?VM通過虛擬機放置策略保證云數(shù)據(jù)中心有足夠的物理資源，保證Qos質(zhì)量，減少SLA的違規(guī)。通過虛擬機動態(tài)遷移優(yōu)化策略保證虛擬機的遷移次數(shù)來減少云數(shù)據(jù)中心的能源消耗。仿真實驗表明，LEC?VM能夠有效減少虛擬機的遷移次數(shù)，比常見的遷移策略能更好地減少云數(shù)據(jù)中心的能源消耗。未來的工作在虛擬機遷移策略中將考慮物理主機的內(nèi)存大小、網(wǎng)絡帶寬和空余磁盤空間情況。

參考文獻

[1] LOVASZ G， NIEDERMEIER F， MEER H， et al. Performance tradeoffs of energy?aware virtual machine consolidation [J]. Cluster computing， 2013， 16（3）： 481?496.

[2] 張玉清，王曉菲，劉雪峰，等.云計算環(huán)境安全綜述[J].軟件學報，2016，27（6）：1328?1348.

ZHANG Y Q， WANG X F， LIU X F， et al. Survey on cloud computing security [J]. Journal of software， 2016， 27（6）： 1328?1348.

[3] LIU H K， HE B S. VMbuddies： coordinating live migration of multi?tier applications in cloud environments [J]. IEEE transactions on parallel and distributed systems， 2015， 26（4）： 1192?1205.

[4] KELLA A， BELALEM G. A stable matching algorithm for vm migration to improve energy consumption and QOS in cloud infrastructures [J]. International journal of cloud applications and computing， 2014， 4（2）： 15?33.

[5] HUANG J， WU K， MOH M. Dynamic virtual machine migration algorithms using enhanced energy consumption model for green cloud data centers [C]// 2014 International Conference on High Performance Computing & Simulation. Bologna： IEEE， 2014： 902?910.

[6] JIANG H P， WENG M L， CHEN W M. Dynamic consolidation of virtual machines in cloud datacenters [J]. IEICE transactions on information and systems， 2014， 97（7）： 1727?1730.

[7] DAD D， YAGOUBI D E， BELALEM G. Energy efficient VM live migration and allocation at cloud data centers [J]. International journal of cloud applications and computing， 2014， 4（4）： 55?63.

[8] AGARWAL A， RAINA S. Live migration of virtual machines in cloud [J]. International journal of scientific and research publications， 2012， 2（6）： 1?5.

[9] LUO J P， LI X， CHEN M R. Hybrid shuffled frog leaping algorithm for energy?efficient dynamic consolidation of virtual machines in cloud data centers [J]. Expert systems with applications， 2014， 41（13）： 5804?5816.

[10] XU G C， DING Y， ZHAO J. A novel artificial bee colony approach of live virtual machine migration policy using Bayes theorem [J]. Scientific world journal， 2013， 23： 11?18.

[11] ZHAO J， HU L， DING Y， et al. A heuristic placement selection of live virtual machine migration for energy?saving in cloud computing environment [J]. Plos one， 2014， 9（9）： e108275.

[12] CAO Z， DONG S. Energy?aware heuristic framework for virtual machine consolidation in cloud computing [J]. Journal of supercomputing， 2014， 69（1）： 1890?1895.

[13] BELOGLAZOV A， ABAWAJY J， BUYYA R. Energy?aware resource allocation heuristics for efficient management of data centers for cloud computing [J]. Future generation computer systems， 2012， 28： 755?768.

[14] BASU A. Energy aware resource allocation in cloud data center [J]. International journal of engineering & advanced technology， 2013（5）： 277?281.