基于深度哈希算法的云計算虛擬機(jī)遷移模型

譚 印，蘇雯潔

(桂林電子科技大學(xué)，廣西 北海536000)

1 引言

云計算最顯著的特色就是對資源和服務(wù)的虛擬處理，現(xiàn)如今越來越多的IT企業(yè)都在效仿云數(shù)據(jù)模式路線，它所消耗的能量也是有目共睹的，不光是企業(yè)，就連相關(guān)政府部門也開始關(guān)心并研究云數(shù)據(jù)能量低耗的問題[1-3]，這就需要借助云計算虛擬機(jī)遷移模型這項技術(shù)，它是當(dāng)前高效利用云端資源和低能耗的尖端技術(shù)。眾所周知，無論是資源還是服務(wù)的虛擬化，操作者對它們的搜索都是極其便捷的，但由于虛擬機(jī)的各項策略還是或多或少地對整個平臺的性能產(chǎn)生了一定程度的影響，因此，虛擬機(jī)遷移模型的重要性顯而易見[4]。虛擬機(jī)遷移是在保證云計算中心能順利提供幫助的條件下，在有限的時間里，把虛擬機(jī)的相關(guān)節(jié)點進(jìn)行遷移，以此來減少各個節(jié)點的超負(fù)載，并有效減少云計算中心能量的耗用。

劉開南[5]等人設(shè)計了一種云數(shù)據(jù)中心基于遺傳算法的虛擬機(jī)遷移模型，構(gòu)建虛擬機(jī)遷移時間消耗模型，結(jié)合該模型通過全局遺傳算法對虛擬機(jī)遷移進(jìn)行優(yōu)化。以某企業(yè)的數(shù)據(jù)中心作為對象，采用該方法對遷移效果進(jìn)行測試，結(jié)果表明；該方法可以有效降低虛擬機(jī)的遷移次數(shù)，降低了物理主機(jī)的使用頻率。張智俊[6]等人提出了基于LP&GR算法的多優(yōu)先級虛擬機(jī)遷移方法，對虛擬機(jī)的負(fù)載狀態(tài)進(jìn)行預(yù)測，以此來降低虛擬機(jī)過載概率。構(gòu)建決策分配模型，結(jié)合LP&GR算法設(shè)計多個優(yōu)先級，以此來保證虛擬機(jī)的有序遷移。分析實驗結(jié)果可知，該方法可以提高虛擬機(jī)的負(fù)載均衡性能。上述方法雖然在一定程度上實現(xiàn)了虛擬機(jī)遷移的優(yōu)化，但是均不適用于跨數(shù)據(jù)虛擬機(jī)遷移。為此研究基于深度哈希算法的云計算虛擬機(jī)遷移模型，降低跨數(shù)據(jù)虛擬機(jī)遷移的帶寬開銷。深度哈希算法具備較優(yōu)的圖像檢索功能，在云計算領(lǐng)域應(yīng)用廣泛。

2 基于深度哈希算法的云計算虛擬機(jī)遷移模型

2.1 深度哈希算法

利用深度哈希算法提取基本鏡像的類似程度，依據(jù)基本鏡像的類似程度構(gòu)建哈希圖。該方法主要包含無監(jiān)督階段與有監(jiān)督階段[7，8]，第一種階段利用棧式自動編碼神經(jīng)網(wǎng)絡(luò)(Stacked Autoencoder，SA)學(xué)習(xí)深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)的初始參數(shù)，通過逐層貪婪訓(xùn)練法學(xué)習(xí)SA的參數(shù)，作為有監(jiān)督階段的優(yōu)化參數(shù)。

2.1.1 無監(jiān)督階段

利用SA學(xué)習(xí)DCNN的初始參數(shù)，SA中包含數(shù)層稀疏編碼器，其中下一層的輸入均為上一層的輸出，編碼操作為依據(jù)上下次序運(yùn)行各層自編碼器；解碼操作為依據(jù)上述操作的相反方向展開解碼；該編碼器的操作原理如圖1所示。

圖1 編碼器操作原理

SA的訓(xùn)練方式是按照上下順序?qū)γ恳粚诱归_訓(xùn)練，SA的首層參數(shù)是通過原始數(shù)據(jù)獲取的，并將其轉(zhuǎn)換成向量傳遞至下一層，作為其輸入，隨即展開訓(xùn)練；直到全部編碼器訓(xùn)練結(jié)束后，在分類器中輸入最終的特征。

2.1.2 有監(jiān)督階段

SA網(wǎng)絡(luò)訓(xùn)練結(jié)束后，利用存在標(biāo)簽的樣本對SA展開有監(jiān)督調(diào)整，其調(diào)整幅度較小，確?；剧R像在漢明空間內(nèi)依舊存在較高的類似程度。為了獲取虛擬機(jī)鏡像樣本，可以參考目標(biāo)函數(shù)優(yōu)化思想，建立一個目標(biāo)函數(shù)，運(yùn)用優(yōu)化求解的方式獲取具有高置信度的有效標(biāo)簽，即虛擬機(jī)鏡像樣本標(biāo)簽。然后，通過基本鏡像屬性間的語義類似程度確定樣本對A的標(biāo)簽，A的取值區(qū)間是A∈[0，1]，令A(yù)的權(quán)值與基本鏡像屬性類似程度成反比，通過對比損失函數(shù)改進(jìn)有監(jiān)督階段的參數(shù)。

令樣本(x1，x2)∈X，A∈[0，1]，存在標(biāo)簽的訓(xùn)練基本鏡像為X，訓(xùn)練標(biāo)簽是Y。樣本對映射空間的歐式距離為

(1)

其中，映射函數(shù)是FW。

有監(jiān)督階段的損失函數(shù)表達(dá)公式如下

(2)

有監(jiān)督階段的調(diào)整步驟如下

步驟1：利用語義標(biāo)簽學(xué)習(xí)各輸入樣本，按照標(biāo)簽語義的類似程度得到A的權(quán)值，按照順序訓(xùn)練全部樣本，獲取樣本訓(xùn)練集；

步驟2：迭代計算，以全部收斂為止。

(3)

在Y的權(quán)值大于0.5的情況下，以優(yōu)化W的方式延長歐式距離dW，依舊利用式(3)展開運(yùn)算。采用最小化映射函數(shù)的方式，完成輸出空間中各樣本點間dW的縮短與延長。

2.1.3SA二值化

通過閾值法二值化處理SA內(nèi)的特征，使其變成二值特征，節(jié)省存儲空間[9]，縮短運(yùn)算時間。SA中的Tanh函數(shù)的輸出表達(dá)公式如下

(4)

SA最終輸出值的區(qū)間為[-1，1]。

通過分析每維基本景象數(shù)據(jù)的統(tǒng)計特征，利用式(5)展開閾值分割，公式如下

(5)

2.1.4 算法流程

深度哈希算法的步驟為：

步驟1：在DCNN網(wǎng)絡(luò)中輸入原始基本鏡像數(shù)據(jù)集，得到基本鏡像的特征；

步驟2：訓(xùn)練SA，通過閾值法得到二進(jìn)制哈希碼；

步驟3：依據(jù)二進(jìn)制哈希碼獲取屬性相近的基本鏡像數(shù)據(jù)集；

步驟4：語義分析屬性相近基本鏡像數(shù)據(jù)集的標(biāo)簽，得到標(biāo)簽近似權(quán)值；

步驟5：按照基本鏡像對的語義類似程度，更改SA參數(shù)；

步驟6：求解漢明距離，獲取基本鏡像的類似程度；

步驟7：依據(jù)基本鏡像的類似程度構(gòu)建哈希圖。

2.2 云計算虛擬機(jī)遷移模型

2.2.1 模型架構(gòu)

云計算虛擬機(jī)遷移模型的架構(gòu)如圖2所示。

圖2 云計算虛擬機(jī)遷移模型架構(gòu)

根據(jù)圖2可知，在基于深度哈希算法的云計算虛擬機(jī)遷移模型中令各數(shù)據(jù)中心均存在一個MA，其作用是通過虛擬機(jī)遷移服務(wù)實現(xiàn)不同數(shù)據(jù)中心的遷移。依據(jù)各數(shù)據(jù)中心中的MA實現(xiàn)云計算虛擬機(jī)遷移過程中的信息交互[10]，以及共享虛擬機(jī)鏡像過程中的信息交互。同時，操作者通過下載與利用共享存儲池中的基本鏡像，可以完成云計算虛擬機(jī)的遷移。

2.2.2 存儲單元

利用哈希圖存儲虛擬機(jī)的基本鏡像，云計算虛擬機(jī)的遷移請求叫作一次事件，在構(gòu)建新的虛擬機(jī)情況下，宿主機(jī)會傳輸請求至MA，由存儲單元完成存儲功能。在基本鏡像發(fā)送至共享存儲池時，該鏡像僅具備只讀功能。在存儲單元中不僅存儲基本鏡像副本及其散列值，還存儲由深度哈希算法獲取的彼此間類似程度。除MA以外的其余單元均不具備傳遞虛擬機(jī)鏡像功能。存儲單元的操作步驟如下：

步驟1：生成一次事件，即構(gòu)建一個新的虛擬機(jī)；

步驟2：觀察共享存儲池內(nèi)有無與該事件對應(yīng)的基本鏡像，如果有與該事件對應(yīng)的基本鏡像，那么執(zhí)行步驟3，反之，安裝基本鏡像，同時傳遞請求至MA，并傳輸至共享存儲池內(nèi)，設(shè)置公開條件；

步驟3：主機(jī)傳遞請求至MA，利用MA求解步驟2內(nèi)基本鏡像的散列值，存儲于本地數(shù)據(jù)中心；

步驟4：將上述事件傳遞至剩余數(shù)據(jù)中心的MA，實際上是將各基本鏡像間的類似程度傳遞出去；

步驟5：利用深度哈希算法構(gòu)建哈希圖；

步驟6：該事件在哈希圖內(nèi)達(dá)成一致，在固定時間中，通過每個MA優(yōu)化本地哈希圖。

2.2.3 遷移請求階段

遷移單元的作用是傳遞基本鏡像，實現(xiàn)信息交互。發(fā)送虛擬機(jī)遷移請求時，利用MA決定需要遷移的鏡像數(shù)據(jù)，其步驟為：

步驟1：源主機(jī)接收虛擬機(jī)遷移請求時，傳遞請求至本地MA，MA搜索整個哈希圖文件，對比分析發(fā)送請求的遷移虛擬機(jī)和目標(biāo)數(shù)據(jù)中心的鏡像散列值；

步驟2：塑造臨時標(biāo)志位存儲發(fā)送請求的遷移虛擬機(jī)的鏡像散列值，目的是避免存儲重復(fù)信息，如果目標(biāo)數(shù)據(jù)中心存在該鏡像散列值，那么將該標(biāo)志位記作1，如果目標(biāo)數(shù)據(jù)中心不存在該鏡像散列值，那么將其記作0，將標(biāo)記結(jié)果與該虛擬機(jī)的基本鏡像和目標(biāo)數(shù)據(jù)中心的基本鏡像間的類似程度信息傳遞至源主機(jī)；

步驟3：源主機(jī)將接收的信息發(fā)送至目標(biāo)主機(jī)，目標(biāo)主機(jī)確定信號后，便可展開遷移操作。由源主機(jī)向目標(biāo)主機(jī)傳遞信息的作用確保遷移的鏡像相同，原因是每個數(shù)據(jù)中心的MA間的哈希圖副本完全相同，僅有這兩個主機(jī)的基本鏡像類似程度信息相同，才能確保遷移操作的順利執(zhí)行。

步驟4：確定執(zhí)行虛擬機(jī)遷移后，通過MA傳遞存在0與1標(biāo)記結(jié)果的鏡像數(shù)據(jù)塊和鏡像散列值到目標(biāo)主機(jī)。

2.2.4 遷移過程

云計算虛擬機(jī)遷移過程步驟如下：

步驟1：遷移基本鏡像；

步驟2：遷移操作者數(shù)據(jù)，依據(jù)快照方法遷移該數(shù)據(jù)，縮短遷移時間；

步驟3：遷移內(nèi)存數(shù)據(jù)，利用預(yù)復(fù)制方法遷移該數(shù)據(jù)，遷移前提是結(jié)束操作者數(shù)據(jù)遷移；

步驟4：在迭代副本符合終止閾值的情況下，虛擬機(jī)在源站點停止運(yùn)轉(zhuǎn)，目標(biāo)站點開始啟動。

3 實驗分析

仿真中有50個數(shù)據(jù)中心，各數(shù)據(jù)中心分別存在2個服務(wù)器，分別是虛擬機(jī)的宿主機(jī)與遷移代理主機(jī)。實驗中遷移云計算虛擬機(jī)間基本鏡像的類似程度是(m，n)，基本鏡像存儲結(jié)構(gòu)遷移虛擬機(jī)操作系統(tǒng)鏡像間的類似程度是m，工作環(huán)境鏡像間的類似程度是n。

選取云數(shù)據(jù)中心遺傳算法遷移模型(文獻(xiàn)[5])與LP&GR算法遷移模型(文獻(xiàn)[6])作為本文模型的對比模型，利用三種模型在不同類似程度以及不同負(fù)載情況下，分別同時遷移50個虛擬機(jī)，對比分析三種模型遷移過程中的總遷移時間與網(wǎng)絡(luò)流量，不同負(fù)載編號及含義如表1所示，對比分析結(jié)果如表2所示。

表1 不同負(fù)載的詳細(xì)信息

表2 對比分析結(jié)果

根據(jù)表2可知，在負(fù)載相同時，三種模型的總遷移時間均隨著類似程度的提升而逐漸降低，本文模型的下降幅度最大，總遷移時間最低；在類似程度相同時，三種模型的總遷移時間均隨著負(fù)載的提升而逐漸提升，本文模型的總遷移時間依舊最低。原因是本文模型利用深度哈希算法構(gòu)建的哈希圖具備迅速共享策略，不用反復(fù)求解數(shù)據(jù)，縮短了遷移時間。在負(fù)載相同時，三種模型的網(wǎng)絡(luò)流量均隨著類似程度的提升而逐漸下降，在類似程度相同時，三種模型的網(wǎng)絡(luò)流量均隨著負(fù)載的提升而逐漸提升，在不同情況下，本文模型的網(wǎng)絡(luò)流量均最低，說明本文方法的帶寬開銷最小。實驗證明：本文模型在同時遷移多個虛擬機(jī)時的總遷移時間最小，網(wǎng)絡(luò)流量最低即帶寬開銷最小，具備較優(yōu)的跨數(shù)據(jù)中心虛擬機(jī)遷移性能。

以基本鏡像類似程度是(5%，5%)以及負(fù)載編號是Ⅲ為例，原因是這種情況下所需遷移的基本鏡像數(shù)據(jù)量最高，在遷移啟動一定時間后，對三種模型的遷移過程展開攻擊，測試三種模型延長的遷移時間，分析三種模型抵御攻擊的性能，延長的遷移時間測試結(jié)果如圖3所示。

圖3 延長的遷移時間測試結(jié)果

根據(jù)圖3可知，在抵御攻擊時，三種模型均存在延長的遷移時間，本文模型延長的遷移時間波動區(qū)間為0.80～0.86s，其余兩種模型延長的遷移時間波動區(qū)間分別為0.83～0.90s、0.84～0.89s。實驗證明：本文模型抵御攻擊時遷移時間延長的幅度較小，說明本文模型具備較優(yōu)的抵御攻擊性能。

分析三種模型在遷移不同虛擬機(jī)數(shù)量時的能量消耗與SLA違反率如表3所示。

根據(jù)表3可知，隨著虛擬機(jī)數(shù)量的增加，本文模型的平均能量消耗最低；SLA違反率隨虛擬機(jī)數(shù)量增加的變化幅度較小，其余兩種模型的SLA違反率變化幅度較大。實驗證明：本文模型的能量消耗最低，其SLA違反率最低且較為平穩(wěn)，有效提升QoS服務(wù)質(zhì)量要求。

表3 能量消耗與SLA違反率

4 結(jié)論

針對云計算平臺數(shù)據(jù)中心的能量消耗高與QoS服務(wù)質(zhì)量低的問題，研究基于深度哈希算法的云計算虛擬機(jī)遷移模型，縮短虛擬機(jī)遷移時間，提升遷移過程的抵御攻擊能力。本文模型不僅適用于遷移單個虛擬機(jī)，還適用于跨數(shù)據(jù)中心虛擬機(jī)遷移，確保數(shù)據(jù)傳輸?shù)陌踩裕诤罄m(xù)研究中將其廣泛應(yīng)用于云計算的各種領(lǐng)域中。