基于動(dòng)態(tài)資源調(diào)度算法的數(shù)據(jù)中心負(fù)載均衡方案研究

杜雅紅，郭 剛，羅 兵，李明杰

（中鐵信弘遠(yuǎn)（北京）軟件科技有限責(zé)任公司，北京 100038）

隨著互聯(lián)網(wǎng)技術(shù)的高速發(fā)展，網(wǎng)絡(luò)規(guī)模不斷擴(kuò)大，對(duì)計(jì)算機(jī)計(jì)算能力的要求越來越高，以數(shù)據(jù)中心為基礎(chǔ)的云計(jì)算技術(shù)得到了高速發(fā)展[1]。在目前的數(shù)據(jù)中心建設(shè)和應(yīng)用中，大多數(shù)采用靜態(tài)調(diào)度算法對(duì)虛擬資源進(jìn)行調(diào)度與分配。靜態(tài)調(diào)度算法是指虛擬機(jī)在創(chuàng)建、遷移的調(diào)度過程中，按照虛擬機(jī)類型來篩選目標(biāo)物理主機(jī)，未根據(jù)虛擬機(jī)和物理主機(jī)的實(shí)際冷熱負(fù)載進(jìn)行過濾。隨著數(shù)據(jù)中心的長期運(yùn)營和虛擬資源的不斷分配，靜態(tài)調(diào)度算法無法根據(jù)物理主機(jī)當(dāng)前的負(fù)載情況而調(diào)度，逐漸暴露出CPU、內(nèi)存、塊存儲(chǔ)等基礎(chǔ)資源分配不均衡等問題，從而導(dǎo)致數(shù)據(jù)中心的負(fù)載不均衡[2]。

針對(duì)此問題，本文提出基于動(dòng)態(tài)資源調(diào)度（DRS，Dynamic Resource Scheduler）算法的負(fù)載均衡解決方案，周期性獲取物理主機(jī)和虛擬機(jī)的相關(guān)監(jiān)控指標(biāo)，根據(jù)物理主機(jī)和虛擬機(jī)的實(shí)際負(fù)載狀態(tài)進(jìn)行動(dòng)態(tài)調(diào)整，盡量使物理主機(jī)資源使用率處于平均負(fù)載值附近，使各個(gè)物理主機(jī)的資源使用相對(duì)均衡。從而避免某些物理主機(jī)過載或過低載使用，實(shí)現(xiàn)數(shù)據(jù)中心的負(fù)載均衡。

1 關(guān)鍵技術(shù)

DRS的基本要求是在不中斷業(yè)務(wù)和用戶基本無感知的情況下，在數(shù)據(jù)中心內(nèi)對(duì)資源進(jìn)行再調(diào)度，主要依賴于虛擬機(jī)在線遷移技術(shù)和資源監(jiān)控技術(shù)。

1.1 虛擬機(jī)在線遷移

運(yùn)用DRS策略，保證虛擬機(jī)資源在不中斷用戶業(yè)務(wù)的情況下，在物理主機(jī)之間進(jìn)行熱遷移[3]，為實(shí)現(xiàn)資源動(dòng)態(tài)調(diào)整提供可能[4]。遷移的基礎(chǔ)資源包括CPU、內(nèi)存及塊存儲(chǔ)。遷移過程中可能會(huì)出現(xiàn)微秒級(jí)的業(yè)務(wù)中斷，但對(duì)業(yè)務(wù)的影響微乎其微。

根據(jù)存儲(chǔ)模式，分為基于共享存儲(chǔ)模式遷移和非共享存儲(chǔ)模式遷移。采用共享存儲(chǔ)模式的虛擬機(jī)遷移，只需要對(duì)CPU狀態(tài)復(fù)制、內(nèi)存拷貝，無需進(jìn)行塊存儲(chǔ)數(shù)據(jù)的遷移；采用非共享存儲(chǔ)模式的虛擬機(jī)遷移，除了上述操作外，還需要對(duì)塊存儲(chǔ)數(shù)據(jù)進(jìn)行遷移，數(shù)據(jù)量較大的塊存儲(chǔ)在遷移過程中會(huì)占用大量的網(wǎng)絡(luò)帶寬，因此，對(duì)塊存儲(chǔ)遷移時(shí)需謹(jǐn)慎，防止影響系統(tǒng)服務(wù)質(zhì)量[5]。

1.2 資源監(jiān)控

資源監(jiān)控是利用計(jì)算機(jī)控制或通過代理軟件模式，監(jiān)控?cái)?shù)據(jù)中心所有虛擬機(jī)和物理主機(jī)運(yùn)行狀態(tài)及負(fù)載情況，實(shí)現(xiàn)對(duì)數(shù)據(jù)中心資源狀況實(shí)時(shí)采集、分析、處理和存儲(chǔ)的一種技術(shù)[6]。本文在監(jiān)控目標(biāo)中安裝代理軟件，通過SNM、SSH、IPMI等協(xié)議，采集監(jiān)控目標(biāo)的基礎(chǔ)資源指標(biāo)，如CPU使用率，內(nèi)存使用量，硬盤使用量等，通過網(wǎng)絡(luò)傳輸給監(jiān)控系統(tǒng)服務(wù)端，并對(duì)指標(biāo)進(jìn)行分析與處理后存儲(chǔ)于數(shù)據(jù)庫中。

2 DRS算法

2.1 算法流程

按照觸發(fā)條件對(duì)物理主機(jī)進(jìn)行分類，分為需要遷移的源物理主機(jī)和可以進(jìn)行遷移的目標(biāo)物理主機(jī)。源物理主機(jī)是指負(fù)載過高、導(dǎo)致無法保證其上運(yùn)行的虛擬機(jī)的服務(wù)質(zhì)量、進(jìn)而影響用戶對(duì)云計(jì)算平臺(tái)應(yīng)用體驗(yàn)的物理主機(jī)[7-8]；目標(biāo)物理主機(jī)用于將源物理主機(jī)上的虛擬機(jī)遷移到該主機(jī)上，在保證其上運(yùn)行的虛擬機(jī)服務(wù)質(zhì)量的同時(shí)，提高物理主機(jī)的資源使用率[9-10]。

（1）周期性地從監(jiān)控系統(tǒng)里獲取數(shù)據(jù)中心中物理主機(jī)和其上運(yùn)行的虛擬機(jī)最近N個(gè)周期內(nèi)的監(jiān)控?cái)?shù)據(jù)，計(jì)算出物理主機(jī)N個(gè)周期內(nèi)平均負(fù)載值，將其作為該物理主機(jī)的負(fù)載值。

（2）對(duì)所有物理主機(jī)的負(fù)載值進(jìn)行平均計(jì)算，得到平均負(fù)載值，將平均負(fù)載值乘以(1±ω)作為數(shù)據(jù)中心的負(fù)載閾值，這里，ω通常是某個(gè)具體項(xiàng)的資源平均值的百分比。將負(fù)載值高于負(fù)載閾值上限的物理主機(jī)作為需要調(diào)整的源物理主機(jī)，負(fù)載值低于負(fù)載閾值下限的物理主機(jī)作為虛擬機(jī)遷移的目標(biāo)物理主機(jī)。

（3）根據(jù)源物理主機(jī)上運(yùn)行的虛擬機(jī)已分配資源和實(shí)際負(fù)載值，計(jì)算每個(gè)虛擬機(jī)的得分，并結(jié)合源物理主機(jī)的負(fù)載值綜合篩選出適合遷移的虛擬機(jī)。

（4）在目標(biāo)物理主機(jī)中，根據(jù)可分配資源和實(shí)際負(fù)載情況綜合計(jì)算，為需要遷移的虛擬機(jī)篩選合適的目標(biāo)物理主機(jī)。如果有滿足虛擬機(jī)遷移條件的目標(biāo)物理主機(jī)，則生成虛擬機(jī)指定目標(biāo)物理主機(jī)的熱遷移任務(wù)；如果不滿足，則放棄對(duì)該虛擬機(jī)的遷移，為下一個(gè)虛擬機(jī)尋找合適的目標(biāo)物理主機(jī)。

（5）對(duì)生成虛擬機(jī)指定目標(biāo)物理主機(jī)熱遷移的任務(wù)進(jìn)行模擬遷移操作，遷移后檢查源物理主機(jī)的負(fù)載值是否在負(fù)載閾值內(nèi)。如果高于負(fù)載閾值上限，判斷源物理主機(jī)上是否為最后一臺(tái)虛擬機(jī)，如果不是，對(duì)下一個(gè)虛擬機(jī)進(jìn)行尋找合適目標(biāo)物理主機(jī)操作，返回（4）；如果是，則放棄對(duì)該源物理主機(jī)的操作，對(duì)下一個(gè)需要調(diào)整的源物理主機(jī)進(jìn)行操作，返回（3）。如果不高于負(fù)載閾值上限，判斷是否為最后一臺(tái)源物理主機(jī)，如果不是，則對(duì)下一個(gè)需要調(diào)整的源物理主機(jī)進(jìn)行操作，返回（3）；如果是，則執(zhí)行（6）。

（6）為了防止虛擬機(jī)二次或鏈?zhǔn)竭w移操作，虛擬機(jī)熱遷移之前，在遷移任務(wù)列表中執(zhí)行消重或鏈?zhǔn)竭w移任務(wù)消除操作，例如：虛擬機(jī)a從源物理主機(jī)A遷移到目標(biāo)物理主機(jī)B，再從目標(biāo)物理主機(jī)B遷移到目標(biāo)物理主機(jī)C，進(jìn)行消重操作，將虛擬機(jī)a直接從源物理主機(jī)A遷移到目標(biāo)物理主機(jī)C并建立遷移任務(wù)依賴。

（7）模擬遷移結(jié)束后，執(zhí)行虛擬機(jī)指定目標(biāo)物理主機(jī)的熱遷移任務(wù)，實(shí)現(xiàn)數(shù)據(jù)中心的負(fù)載均衡。

2.2 算法關(guān)鍵步驟

2.2.1 遷移觸發(fā)條件

在數(shù)據(jù)中心應(yīng)用環(huán)境下，通過監(jiān)控系統(tǒng)監(jiān)控并采集所有物理主機(jī)和虛擬機(jī)的CPU、內(nèi)存、塊存儲(chǔ)等負(fù)載指標(biāo)，設(shè)置平均負(fù)載的浮動(dòng)值ω。

為了防止采集數(shù)據(jù)時(shí)由于網(wǎng)絡(luò)抖動(dòng)或其他不穩(wěn)定因素導(dǎo)致數(shù)據(jù)不正常，需要周期性從監(jiān)控系統(tǒng)中獲取從t1～tN時(shí)間段中N個(gè)周期內(nèi)M個(gè)物理主機(jī)的負(fù)載指標(biāo)。

（1）計(jì)算數(shù)據(jù)中心里第i個(gè)物理主機(jī)N個(gè)周期內(nèi)監(jiān)控指標(biāo)PMmetric(in)的平均值，將其作為負(fù)載值PMmetric(i)。

（2）對(duì)M個(gè)物理主機(jī)的監(jiān)控指標(biāo)負(fù)載值PMmetric(i)求平均，將其作為M個(gè)物理主機(jī)的平均負(fù)載值PMmetric_avg。

（3）將物理主機(jī)的負(fù)載值PMmetric(i)＞PMmetric_avg·(1+ω) 的作為需要遷出虛擬機(jī)的源物理主機(jī)，PMmetric(i)＜PMmetric_avg·(1-ω) 的作為需要遷入虛擬機(jī)的目標(biāo)物理主機(jī)。

2.2.2 遷移虛擬機(jī)選擇

從源物理主機(jī)上選擇虛擬機(jī)進(jìn)行熱遷移，以降低源物理主機(jī)的負(fù)載，使源物理主機(jī)的負(fù)載值處于負(fù)載閾值內(nèi)：主要是結(jié)合虛擬機(jī)的虛擬機(jī)類型和實(shí)際負(fù)載值，計(jì)算出每個(gè)虛擬機(jī)的最終得分。從虛擬機(jī)列表中選擇在遷移時(shí)消耗代價(jià)最小的一個(gè)或多個(gè)進(jìn)行遷移，遷移完成后，源物理主機(jī)的負(fù)載值處于負(fù)載閾值內(nèi)即可。因此，遷移虛擬機(jī)的選擇主要考慮以下因素。

（1）根據(jù)源物理主機(jī)上第j個(gè)虛擬機(jī)的類型，對(duì)其分配的基礎(chǔ)屬性項(xiàng)（K）的屬性值進(jìn)行歸一化后，乘以相應(yīng)屬性的權(quán)重值wflavor，再求和，計(jì)算出該虛擬機(jī)的分配資源得分。例如，所選的虛擬機(jī)的K為3，分別為CPU、內(nèi)存及塊存儲(chǔ)，其基礎(chǔ)屬性值為CPU、內(nèi)存及塊存儲(chǔ)的分配值。

式（3）中，VM flavor表示根據(jù)虛擬機(jī)類型分配的基礎(chǔ)屬性值（CPU、內(nèi)存、塊存儲(chǔ)等的分配值），設(shè)vms表示已分配在物理主機(jī)上的虛擬機(jī)個(gè)數(shù)。為vms個(gè)虛擬機(jī)中相應(yīng)屬性的最大屬性值，為vms個(gè)虛擬機(jī)中相應(yīng)屬性的最小屬性值；wflavor表示虛擬機(jī)類型的基礎(chǔ)屬性對(duì)應(yīng)權(quán)重值，該值根據(jù)實(shí)際使用場景對(duì)CPU、內(nèi)存、塊存儲(chǔ)等不同因素的需求設(shè)置相應(yīng)權(quán)重值，權(quán)重范圍值為0～1，增加對(duì)應(yīng)屬性的資源對(duì)整體優(yōu)先級(jí)影響的比重。

（2）根據(jù)第j個(gè)虛擬機(jī)的實(shí)際負(fù)載值，對(duì)虛擬機(jī)監(jiān)控的基礎(chǔ)指標(biāo)值進(jìn)行歸一化并乘以其相應(yīng)的權(quán)重kmetric，再求和，計(jì)算出該虛擬機(jī)的實(shí)際負(fù)載得分。

式（4）中，VMmetric(j)表示該虛擬機(jī)的資源實(shí)際使用值，如虛擬機(jī)的CPU使用率、內(nèi)存使用量、硬盤使用量。為vms個(gè)虛擬機(jī)中相應(yīng)資源實(shí)際使用值的最大值，為vms個(gè)虛擬機(jī)中相應(yīng)資源實(shí)際使用值的最小值；kmetric表示相應(yīng)監(jiān)控指標(biāo)的權(quán)重值，可以根據(jù)實(shí)際使用場景，對(duì)CPU、內(nèi)存、存儲(chǔ)等不同因素設(shè)置對(duì)應(yīng)的權(quán)重值，權(quán)重范圍值為0～1，增加對(duì)應(yīng)屬性的資源對(duì)整體優(yōu)先級(jí)影響的比重。

將虛擬機(jī)j的分配資源得分加上其實(shí)際負(fù)載得分，計(jì)算出該虛擬機(jī)的最終得分：

根據(jù)最終得分，從小到大依次選擇虛擬機(jī)，為虛擬機(jī)選擇合適的目標(biāo)物理主機(jī)并進(jìn)行模擬遷移，遷移后，如果該虛擬機(jī)所在的源物理主機(jī)負(fù)載值仍高于負(fù)載閾值的閾值上限，則選擇下一個(gè)虛擬機(jī)進(jìn)行模擬遷移。

2.2.3 目標(biāo)物理主機(jī)選擇

目標(biāo)物理主機(jī)的選擇對(duì)DRS算法至關(guān)重要，將直接關(guān)系到負(fù)載均衡的效果。假如選擇的目標(biāo)物理主機(jī)不理想并造成不必要的遷移，則可能造成二次遷移甚至鏈?zhǔn)竭w移，增加其他物理主機(jī)的工作負(fù)擔(dān)。選擇物理主機(jī)的負(fù)載值低于負(fù)載閾值的閾值下限，且虛擬機(jī)遷移到該物理主機(jī)后，該物理主機(jī)的負(fù)載值不超過負(fù)載閾值的閾值上限，作為虛擬機(jī)遷移的目標(biāo)物理主機(jī)。

在不影響數(shù)據(jù)中心采用靜態(tài)調(diào)度算法對(duì)資源分配與運(yùn)行的前提下，選擇目標(biāo)物理主機(jī)時(shí)需要考慮諸多因素。

（1）基于虛擬機(jī)類型進(jìn)行過濾，篩選滿足待遷移虛擬機(jī)類型的目標(biāo)物理主機(jī)。

式（6）中，PM flavor(i)表示目標(biāo)物理主機(jī)的實(shí)際物理資源，flavor表示CPU、內(nèi)存、塊存儲(chǔ)等屬性，PM flavor_ratio表示目標(biāo)物理主機(jī)對(duì)應(yīng)屬性的超配比值，PMavail_flavor(i)表示該目標(biāo)物理主機(jī)剩余可用資源，如果PMavail_flavor(i)的所有屬性值都大于待遷移虛擬機(jī)的對(duì)應(yīng)屬性值，則該目標(biāo)物理主機(jī)滿足虛擬機(jī)遷移條件，將其列入目標(biāo)物理主機(jī)列表。

（2）虛擬機(jī)遷移到目標(biāo)物理主機(jī)后，可能會(huì)導(dǎo)致該目標(biāo)物理主機(jī)的負(fù)載超出負(fù)載閾值的上限。為此，在通過虛擬機(jī)類型篩選出滿足虛擬機(jī)資源分配的目標(biāo)物理主機(jī)后，需在此基礎(chǔ)上根據(jù)待遷移的虛擬機(jī)負(fù)載值篩選出最終合適的目標(biāo)物理主機(jī)。一臺(tái)虛擬機(jī)遷移到某個(gè)目標(biāo)物理主機(jī)后，目標(biāo)物理主機(jī)資源使用情況如式（7）。

（3）虛擬機(jī)遷移到目標(biāo)物理主機(jī)后，目標(biāo)物理主機(jī)的資源負(fù)載值若小于負(fù)載閾值的上限，即PM′metric(i)＜PMmetric_avg·(1+ω)，則該物理主機(jī)滿足該虛擬機(jī)的遷移條件，將其加入目標(biāo)物理主機(jī)列表，再尋找下一個(gè)目標(biāo)物理主機(jī)；否則，直接尋找下一個(gè)目標(biāo)物理主機(jī)；直到?jīng)]有合適的目標(biāo)物理主機(jī)為止。

根據(jù)式（8），對(duì)目標(biāo)物理主機(jī)進(jìn)行歸一化計(jì)算，并計(jì)算各物理主機(jī)的得分。從其中選擇得分最高的物理主機(jī)作為最終的目標(biāo)物理主機(jī)。式（8）中，m為目標(biāo)物理主機(jī)的數(shù)量。

（4）虛擬機(jī)遷移到目標(biāo)物理主機(jī)后，該目標(biāo)物理主機(jī)資源負(fù)載低于負(fù)載閾值的閾值上限，則將虛擬機(jī)添加到遷移列表，否則選擇下一個(gè)目標(biāo)物理主機(jī)進(jìn)行模擬遷移，直到所有物理節(jié)點(diǎn)的負(fù)載相對(duì)均衡為止。

3 實(shí)驗(yàn)驗(yàn)證及分析

3.1 實(shí)驗(yàn)環(huán)境

在實(shí)驗(yàn)中，每個(gè)物理主機(jī)具有相同的配置，CPU為32核，內(nèi)存為256 GB。CPU和內(nèi)存超配比分別為4.0和1.5，后端對(duì)接Ceph分布式存儲(chǔ)。每個(gè)物理主機(jī)的虛擬機(jī)在10～20臺(tái)間隨機(jī)分配，每個(gè)虛擬機(jī)的內(nèi)存分配容量為2～128 GB，CPU在1～32核間隨機(jī)分配。物理主機(jī)的數(shù)量隨實(shí)驗(yàn)要求而變化，負(fù)載均衡浮動(dòng)值ω為平均負(fù)載值乘以5%，閾值范圍為平均負(fù)載值±ω，CPU和內(nèi)存的權(quán)重值均為1.0。實(shí)驗(yàn)中，使用的是共享存儲(chǔ)，因此沒有把硬盤使用量加入算法中。DRS算法主要采用Python語言編程實(shí)現(xiàn)。

3.2 實(shí)驗(yàn)方法及分析

在虛擬機(jī)中模擬計(jì)算密集型、I/O密集型等任務(wù)，產(chǎn)生不同的虛擬資源利用率。數(shù)據(jù)中心負(fù)載均衡與否可由負(fù)載均衡度（LB）的大小來判斷，LB越小，表示數(shù)據(jù)中心的負(fù)載越趨于均衡。LB可由式（9）計(jì)算。

式（9）中，M為物理主機(jī)數(shù)，CPUutil(i)表示第i個(gè)物理主機(jī)的CPU資源實(shí)際使用率，CPUavg表示數(shù)據(jù)中心中所有物理主機(jī)的CPU資源實(shí)際使用率的平均值，MEMusage(i)表示第i個(gè)物理主機(jī)的內(nèi)存資源實(shí)際使用量，MEMavg表示數(shù)據(jù)中心中所有物理主機(jī)的內(nèi)存資源實(shí)際使用量的平均值。

3.2.1 使用不同調(diào)度算法的負(fù)載均衡度

圖1是在物理主機(jī)數(shù)量為100臺(tái)，ω為平均負(fù)載值乘以5%的情況下，靜態(tài)調(diào)度算法和DRS算法的LB值對(duì)比。由于每個(gè)源物理主機(jī)分配的虛擬機(jī)數(shù)量有所區(qū)別，虛擬機(jī)所需要的資源也不同，各個(gè)算法的調(diào)度機(jī)制不同，對(duì)每個(gè)算法中的資源項(xiàng)進(jìn)行歸一化處理。由圖1可以看出，使用DRS算法進(jìn)行調(diào)整后的LB值始終低于使用靜態(tài)調(diào)度算法進(jìn)行調(diào)整后的LB值。結(jié)果表明，DRS算法比靜態(tài)調(diào)度算法更加有效。

圖1 不同算法的負(fù)載均衡度對(duì)比

3.2.2 不同物理主機(jī)數(shù)量的負(fù)載均衡度

不同物理主機(jī)數(shù)量下，不同算法的負(fù)載均衡度比較如圖2所示。在物理主機(jī)數(shù)量分別為50臺(tái)、100臺(tái)、150臺(tái)、200臺(tái)，ω 為平均負(fù)載值乘以5%的情況下，隨著物理主機(jī)數(shù)量的變化，DRS算法能夠使LB值依舊保持較快的速度下降，進(jìn)行多次負(fù)載均衡后，LB值在一定范圍內(nèi)趨于穩(wěn)定，說明DRS算法能夠?qū)⒏哓?fù)載物理主機(jī)上的部分虛擬機(jī)遷移到低負(fù)載物理主機(jī)上，可以有效改善數(shù)據(jù)中心的負(fù)載均衡度。LB值的下降速度由待遷移虛擬機(jī)的數(shù)量、遷移后物理主機(jī)的負(fù)載值來決定，因此，不同物理主機(jī)數(shù)量下LB值的下降速度均不一樣。由此可見，隨著數(shù)據(jù)中心規(guī)模的增大，基于DRS算法實(shí)現(xiàn)負(fù)載均衡的優(yōu)勢更加明顯。

圖2 不同物理主機(jī)數(shù)下DRS算法的負(fù)載均衡度對(duì)比

3.2.3 使用DRS算法的物理主機(jī)資源使用狀態(tài)

圖3是物理主機(jī)數(shù)量為100臺(tái)的情況下未使用DRS算法的物理主機(jī)資源使用狀態(tài)圖?？梢钥闯?，采用靜態(tài)調(diào)度算法對(duì)虛擬機(jī)進(jìn)行調(diào)度與分配，造成每個(gè)物理主機(jī)上負(fù)載差異很大，部分物理主機(jī)負(fù)載很高，可能導(dǎo)致虛擬機(jī)的工作質(zhì)量得不到保障，部分物理主機(jī)上負(fù)載很低，造成數(shù)據(jù)中心資源使用率整體不高，從而導(dǎo)致數(shù)據(jù)中心負(fù)載不均衡。

圖3 未使用DRS算法的物理主機(jī)資源使用狀態(tài)

圖4是物理主機(jī)數(shù)量為100臺(tái)的情況下，使用DRS算法的物理主機(jī)資源使用狀態(tài)圖。采用DRS算法對(duì)虛擬機(jī)進(jìn)行再調(diào)度與分配，每個(gè)物理主機(jī)的負(fù)載均處于負(fù)載浮動(dòng)區(qū)間范圍內(nèi)，與采用靜態(tài)調(diào)度算法相比，數(shù)據(jù)中心的負(fù)載更加趨于均衡，虛擬機(jī)的工作質(zhì)量也可以得到有效保證。

圖4 使用DRS算法的物理主機(jī)資源使用狀態(tài)

4 結(jié)束語

本文基于DRS算法，使數(shù)據(jù)中心的負(fù)載均衡，并結(jié)合實(shí)際生產(chǎn)環(huán)境進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，在相同物理主機(jī)數(shù)量情況下，采用DRS算法的負(fù)載均衡度始終低于靜態(tài)調(diào)度算法的負(fù)載均衡度；在不同物理主機(jī)數(shù)量情況下，采用DRS算法，隨著物理主機(jī)數(shù)量的增多，負(fù)載均衡度越低，數(shù)據(jù)中心的負(fù)載越趨于平衡。該算法具有有效性和穩(wěn)定性，可以周期性地進(jìn)行資源動(dòng)態(tài)調(diào)度，實(shí)現(xiàn)數(shù)據(jù)中心的負(fù)載相對(duì)均衡。

由于數(shù)據(jù)中心不同，環(huán)境差異性較大，實(shí)際運(yùn)行的業(yè)務(wù)系統(tǒng)類型也存在很大差異，因此，一些具體的監(jiān)控指標(biāo)需要根據(jù)實(shí)際環(huán)境進(jìn)行調(diào)整。目前，該方案已在現(xiàn)場應(yīng)用，取得了良好的應(yīng)用效果。在今后的研究中，將進(jìn)一步對(duì)各項(xiàng)指標(biāo)的權(quán)值和影響因子進(jìn)行研究與調(diào)整，結(jié)合人工智能等相應(yīng)算法，通過對(duì)歷史數(shù)據(jù)的不斷學(xué)習(xí)，實(shí)現(xiàn)更高效的資源調(diào)度，進(jìn)一步提升數(shù)據(jù)中心資源使用率和調(diào)度速度。