云環(huán)境下數(shù)據(jù)中臺能耗感知的微服務(wù)任務(wù)調(diào)度算法

謝裕清 王 淵 江 櫻 李 浩 王永利*

1(國網(wǎng)浙江省電力有限公司信息通信分公司 浙江 杭州 310000) 2(南瑞集團(tuán)有限公司(國網(wǎng)電力科學(xué)研究院有限公司) 江蘇 南京 211100) 3(江蘇瑞中數(shù)據(jù)股份有限公司 江蘇 南京 211100) 4(南京理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院 江蘇 南京 210094)

0 引 言

數(shù)據(jù)中臺的理念源自阿里巴巴“構(gòu)建規(guī)范定義的、全域可連接萃取的、智慧的數(shù)據(jù)處理平臺”，數(shù)據(jù)中臺的建設(shè)目標(biāo)是實(shí)現(xiàn)前臺數(shù)據(jù)的高效分析和應(yīng)用[1]。數(shù)據(jù)中臺的機(jī)制是通過云計(jì)算等數(shù)據(jù)技術(shù)，對海量數(shù)據(jù)進(jìn)行采集、計(jì)算、存儲、加工，并將數(shù)據(jù)的標(biāo)準(zhǔn)和口徑進(jìn)行統(tǒng)一。數(shù)據(jù)中臺將數(shù)據(jù)存儲為經(jīng)統(tǒng)一之后所形成的標(biāo)準(zhǔn)數(shù)據(jù)，構(gòu)成大數(shù)據(jù)資產(chǎn)層，進(jìn)而為客戶提供高效服務(wù)。

隨著數(shù)據(jù)中臺建設(shè)與計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算服務(wù)的發(fā)展，數(shù)據(jù)中臺中越來越多的用戶開始向云計(jì)算提交服務(wù)請求，利用數(shù)據(jù)中臺提供的虛擬資源來完成任務(wù)，而云服務(wù)供應(yīng)商需要根據(jù)云計(jì)算的特點(diǎn)、用戶的偏好、實(shí)際的情況為用戶動態(tài)地提供調(diào)度服務(wù)。在數(shù)據(jù)中臺體系中，由于云平臺任務(wù)調(diào)度面臨的是一個非定常多項(xiàng)式(Non-deterministic Polynomial，NP)完全問題,引起了眾多學(xué)者的關(guān)注,尤其是云平臺下的多任務(wù)調(diào)度問題成為目前云計(jì)算領(lǐng)域研究的一個熱點(diǎn)。

數(shù)據(jù)中臺下的云數(shù)據(jù)中臺用戶越來越多，在擴(kuò)大云平臺規(guī)模的同時(shí)，為了提高調(diào)度的靈活性并且避免不必要的能耗浪費(fèi)，云服務(wù)供應(yīng)商提出了微服務(wù)架構(gòu)[2]。微服務(wù)架構(gòu)中的服務(wù)是指細(xì)粒度的、相互間松耦合的、可獨(dú)立開發(fā)部署的組件。采用微服務(wù)架構(gòu)設(shè)計(jì)的系統(tǒng)由一組通過輕量級接口實(shí)現(xiàn)的通信服務(wù)組成。

由于微服務(wù)架構(gòu)將應(yīng)用系統(tǒng)分為多個細(xì)粒度項(xiàng)目，原本單體式應(yīng)用中的一系列操作可能需要多個服務(wù)協(xié)同完成，因此需要設(shè)計(jì)一個任務(wù)調(diào)度服務(wù)來處理關(guān)聯(lián)多個服務(wù)的任務(wù)，比如在某一操作完成后執(zhí)行另一類別的一個操作[3-4]。云計(jì)算數(shù)據(jù)中臺具有異構(gòu)性、動態(tài)性和地理分布性等特點(diǎn)，微服務(wù)工作流任務(wù)在云平臺執(zhí)行時(shí)，不但要保證任務(wù)執(zhí)行時(shí)間滿足截止期限制，云服務(wù)提供商還要最大限度優(yōu)化數(shù)據(jù)中心能耗，否則可能違反SLA(Service Level Agreement)協(xié)議。因此，如何設(shè)計(jì)啟發(fā)式調(diào)度算法并應(yīng)用到調(diào)度系統(tǒng)中來優(yōu)化任務(wù)調(diào)度問題中的目標(biāo)約束成為眾多學(xué)者研究的核心問題。

文獻(xiàn)[5]提出一種基于二次分派問題QAP的調(diào)度算法，在任務(wù)-資源映射階段和資源頻率分配階段中同步進(jìn)行能量優(yōu)化；文獻(xiàn)[6]提出了一個多目標(biāo)遺傳進(jìn)化算法用于云平臺中的任務(wù)調(diào)度，認(rèn)為優(yōu)化問題中的多個目標(biāo)函數(shù)都是相互沖突的，目的是找到這些多目標(biāo)折中的非支配Pareto解集。文獻(xiàn)[7]針對云環(huán)境下數(shù)據(jù)密集型任務(wù)的調(diào)度問題，設(shè)計(jì)了一個基于二叉樹建模的調(diào)度方法，同時(shí)滿足用戶QoS(Quality of Service)需求[8]。

現(xiàn)有云計(jì)算環(huán)境下的工作流任務(wù)調(diào)度的研究大多針對獨(dú)立任務(wù)或元任務(wù)的特殊形式，忽視了任務(wù)間的數(shù)據(jù)關(guān)聯(lián)與優(yōu)先約束關(guān)系，不能反映應(yīng)用任務(wù)間的實(shí)際特征。同時(shí)缺少調(diào)度大規(guī)模復(fù)雜的微服務(wù)工作流的工作，無法充分利用微服務(wù)工作流提高應(yīng)用的靈活性和敏捷性。

鑒于此，本文提出一種利用Docker容器融入能耗感知的微服務(wù)工作流任務(wù)調(diào)度算法，綜合考慮了微服務(wù)任務(wù)間的數(shù)據(jù)依賴和優(yōu)先級依賴，引入了能耗效益函數(shù)。在此基礎(chǔ)上，設(shè)計(jì)兩個子算法——任務(wù)映射算法和任務(wù)合并算法，用于協(xié)助云資源調(diào)度器調(diào)度管理提交到云數(shù)據(jù)中臺的微服務(wù)工作流任務(wù)，最小化數(shù)據(jù)中臺能耗的同時(shí)，滿足工作流任務(wù)截止期限制，以實(shí)現(xiàn)用戶QoS需求。仿真實(shí)驗(yàn)表明，在同等條件下，與經(jīng)典的EES(Enhanced Energy-Efficient Scheduling)[9]和EHEFT(Enhancing Heterogeneous Earliest Finish Time)[10]等算法相比，在任務(wù)截止期長度變化以及子任務(wù)個數(shù)變化等環(huán)境下，本文算法具有較好的綜合性能。

本文的貢獻(xiàn)如下：

(1) 提出使用Docker容器調(diào)度云數(shù)據(jù)中臺的微服務(wù)工作流，相比于直接使用IaaS虛擬機(jī)，可有效提高計(jì)算資源的利用率。

(2) 綜合考慮微服務(wù)任務(wù)間的數(shù)據(jù)依賴和優(yōu)先級依賴，體現(xiàn)微服務(wù)工作流執(zhí)行的靈活性。

(3) 引入了能耗效益函數(shù)，滿足不同的工作流截止期約束條件下，以最小化計(jì)算資源租賃成本為目標(biāo)，有效提高云環(huán)境下數(shù)據(jù)中臺調(diào)度大規(guī)模微服務(wù)工作流的經(jīng)濟(jì)效益。

1 問題描述及建模

數(shù)據(jù)中臺上基于微服務(wù)的應(yīng)用程序調(diào)度可以通過三個組件的屬性來表征，即應(yīng)用程序模型、系統(tǒng)模型和性能模型。應(yīng)用程序模型定義基于業(yè)務(wù)工作流調(diào)度的應(yīng)用程序結(jié)構(gòu)；系統(tǒng)模型描述執(zhí)行應(yīng)用程序的VM和基礎(chǔ)網(wǎng)絡(luò)；性能模型負(fù)責(zé)調(diào)度優(yōu)化等任務(wù)。這種由三部分組成的視圖與定義經(jīng)典調(diào)度問題的表示法一致。

應(yīng)用模型中基于微服務(wù)的工作流模型采用有向無環(huán)圖(Directed Acyclic Graph,DAG)W=(T,E)，其中頂點(diǎn)T={t1,t2,…,tn}代表n個任務(wù)，一對相鄰任務(wù)ti和tj之間的執(zhí)行依賴性由它們之間的有向邊表示，可以附加權(quán)重wi,j表示從ti傳遞到tj的數(shù)據(jù)大小。任務(wù)ti從其每個先前功能接收數(shù)據(jù)輸入并執(zhí)行預(yù)定義的業(yè)務(wù)邏輯。成功執(zhí)行后，任務(wù)ti的輸出數(shù)據(jù)將立即發(fā)送到其后續(xù)任務(wù)。如圖1所示，ti從tj和tk接收輸入數(shù)據(jù)執(zhí)行其自身的功能，并在完成執(zhí)行后將輸出數(shù)據(jù)wi,p發(fā)送至tp。此處不考慮應(yīng)用程序模型中功能的計(jì)算開銷。系統(tǒng)模型IaaS支持運(yùn)行基于微服務(wù)的應(yīng)用程序的基礎(chǔ)環(huán)境，其中在互連的物理計(jì)算機(jī)上保留、部署和執(zhí)行虛擬機(jī)。本文將這樣的云環(huán)境建模為完全連接的有向圖G，頂點(diǎn)由VM集合組成，邊由虛擬機(jī)之間的一組有向鏈接組成，VM虛擬機(jī)vi和vj之間的每個通信鏈路li,j與帶寬(BW)bi,j和最小鏈路延遲(MLD)di,j相關(guān)聯(lián)。應(yīng)用程序的每個功能都由微服務(wù)實(shí)現(xiàn)，每個微服務(wù)都需要部署在一個容器中，該容器的計(jì)算能力定義為四元式pci=(c,f,r,d)，其中：c表示CPU內(nèi)核數(shù)；f表示每一CPU核的頻率；r表示RAM總大??；d表示總磁盤空間。功能ti被映射到微服務(wù)msi并由微服務(wù)msi實(shí)現(xiàn)，然后微服務(wù)msi被封裝在容器ci中，而計(jì)算能力pci部署在VMvy上。

圖1 云數(shù)據(jù)中臺上基于微服務(wù)的應(yīng)用程序調(diào)度模型

在IaaS中，云提供商以互連VM的形式租用計(jì)算資源。通常，提供具有不同計(jì)算能力的不同類型的VM，根據(jù)計(jì)算能力c、f、r、d滿足不同的應(yīng)用程序需求。不同的VM類型以不同的價(jià)格收費(fèi)。以Amazon EC2.3為例，提供五種按需實(shí)例類型的配置和價(jià)格，Amazon采用分步計(jì)費(fèi)模式，其中VM不足1小時(shí)使用時(shí)間會被四舍五入到1小時(shí)。本文的工作針對單一公共云中的計(jì)算環(huán)境，在該公共云中物理機(jī)通過高帶寬Intranet互連，因此不專門考慮數(shù)據(jù)傳輸成本。更籠統(tǒng)地說，考慮一個具有l(wèi)個VM類型的公共云環(huán)境vm1,vm2,…,vml，其中每種類型的vmk都與成本和性能相關(guān)的屬性相關(guān)聯(lián)，并定義為算力、最大功率、帶寬三元組。圖1給出了在示例系統(tǒng)模型中由vy表示的一個vmk類型的VM實(shí)例和由vq和vx表示的兩個vmj類型的VM實(shí)例。每個通信鏈路(例如，從vx到vy)是有方向的，并與帶寬(bx,y)和最小鏈路延遲(dx,y)相關(guān)聯(lián)。

性能模型主要負(fù)責(zé)在公共數(shù)據(jù)中臺云中執(zhí)行基于微服務(wù)的應(yīng)用程序調(diào)度，滿足用戶指定的預(yù)算約束、功耗約束下實(shí)現(xiàn)最小的端到端延遲(MED)目標(biāo)。本文擴(kuò)展了主要考慮能耗因素，將它們擴(kuò)展到具有函數(shù)間依賴性的應(yīng)用程序模型中，以識別和量化公共云的功耗成分。使用微服務(wù)和容器的一個關(guān)鍵優(yōu)勢是快速復(fù)制和遷移的便利性，因此將復(fù)制的微服務(wù)作為不同的實(shí)例運(yùn)行，每個微服務(wù)都可以實(shí)現(xiàn)不同應(yīng)用程序所需的相同功能。

與基于虛擬機(jī)的云服務(wù)相比，本文設(shè)計(jì)的基于容器的數(shù)據(jù)中臺微服務(wù)模型的技術(shù)特征及優(yōu)勢為：

1) 微服務(wù)易于被開發(fā)人員理解、修改和維護(hù)。各個微服務(wù)可被獨(dú)立部署，各個微服務(wù)之間是松耦合的，每個微服務(wù)都很小，是有功能意義的服務(wù)，無論是在開發(fā)階段或部署階段都是獨(dú)立的，有助于聚焦指定的業(yè)務(wù)功能或業(yè)務(wù)需求。2) 基于容器的微服務(wù)運(yùn)行占用的空間少啟動速度快且便于遷移。與虛擬機(jī)相比，容器中的微服務(wù)可以共享操作系統(tǒng)內(nèi)核，不需要在主機(jī)上構(gòu)建多個虛擬機(jī)擁有完整的副本，占用的空間更少，啟動速度也更快。每個微服務(wù)都可以實(shí)現(xiàn)不同應(yīng)用程序所需的相同功能，可以將復(fù)制的微服務(wù)作為不同的實(shí)例運(yùn)行，有利于快速復(fù)制和遷移。

為簡便起見，假設(shè)每個虛擬機(jī)只對應(yīng)一個容器。

定義1微服務(wù)工作流模型。通常情況下，一個微服務(wù)工作流W=(T,E)可以用一個有向無環(huán)圖(DAG)來表示，如圖2所示。其中T={t1,t2,…,tn}為工作流中的任務(wù)集合，DAG中一個頂點(diǎn)代表一個任務(wù)，E是DAG中邊的集合，代表任務(wù)之間的依賴關(guān)系。若任務(wù)ti和任務(wù)tj(ti,tj∈T,ti≠tj,且1≤i

(ti)={tj|(tI,tj)∈E}

(1)

圖2 一個DAG工作流模型

定義2數(shù)據(jù)中臺虛擬機(jī)模型。數(shù)據(jù)中臺提供l種類型的虛擬機(jī)的類型集為VM={vm1,vm2,…,vmk…,vml}，每種類型VM的虛擬機(jī)的特性都可以用(c,pmax,B)三元組表示，其中:c是虛擬機(jī)的計(jì)算能力，用每秒運(yùn)算的浮點(diǎn)數(shù)(MFLOPS)衡量；pmax是虛擬機(jī)的最大功率；B為帶寬。不同類型的虛擬機(jī)之間滿足如下約束關(guān)系：

(2)

式中：所有虛擬機(jī)實(shí)例的計(jì)算能力和最大功率均按升序排序。式(2)就意味著，虛擬機(jī)之間隨著計(jì)算能力的增強(qiáng)，虛擬機(jī)的功耗將隨之增加，且增加幅度超過虛擬機(jī)計(jì)算能力的增強(qiáng)幅度。

定義3基于容器的數(shù)據(jù)中臺虛擬機(jī)微服務(wù)任務(wù)調(diào)度問題可描述為：在數(shù)據(jù)中臺中，將微服務(wù)工作流的n個子任務(wù)分配給m個異構(gòu)的虛擬資源節(jié)點(diǎn)執(zhí)行(m

(3)

i∈{1,2,…,n},j∈{1,2,…,m}

(4)

(5)

(6)

定義5虛擬機(jī)空閑能耗。當(dāng)虛擬機(jī)處在空閑狀態(tài)時(shí)，CPU芯片會使用動態(tài)電壓頻率調(diào)整(Dynamic Voltage Frequency Scaling，DVFS)技術(shù)把CPU的電壓和運(yùn)行頻率調(diào)整到一個較低的水平。因此，虛擬機(jī)處在空閑狀態(tài)時(shí)的能耗可由式(7)計(jì)算。

(7)

定義6數(shù)據(jù)中臺的總能耗。由數(shù)據(jù)中臺中所有虛擬機(jī)實(shí)例的總能耗組成(動態(tài)能耗和空閑能耗)，因此，云數(shù)據(jù)中臺的總功耗Etotal為：

(8)

定義7基于以上定義，本文的調(diào)度問題可以描述為：找到一個微服務(wù)工作流調(diào)度方案，使得數(shù)據(jù)中臺執(zhí)行工作流任務(wù)時(shí)產(chǎn)生的總能耗最小，且滿足工作流任務(wù)的截止期限制。可以由式(9)定義。

minEtotal
s.t.makespan≤deadline(w)

(9)

2 算法設(shè)計(jì)與實(shí)現(xiàn)

任務(wù)的調(diào)度問題面臨的是一個NP-難問題[12]，本文的目標(biāo)是設(shè)計(jì)啟發(fā)式調(diào)度算法以最大限度優(yōu)化數(shù)據(jù)中臺產(chǎn)生的能耗。下面給出算法的實(shí)現(xiàn)以及偽代碼。

2.1 任務(wù)映射算法

定義8一個任務(wù)的完工時(shí)間由兩部分組成：該任務(wù)真實(shí)的執(zhí)行時(shí)間和該任務(wù)的依賴數(shù)據(jù)需要傳輸?shù)臅r(shí)間。可由式(10)計(jì)算得出。

(10)

定義9能耗效益函數(shù)。能耗效益函數(shù)代表消耗單位的能耗下能完成的工作負(fù)載的大小。任務(wù)ti在類型為k的虛擬機(jī)上執(zhí)行時(shí)的能耗效益函數(shù)可以通過式(11)計(jì)算。

(11)

式中：分子為任務(wù)ti的工作負(fù)載；分母為執(zhí)行任務(wù)ti時(shí)產(chǎn)生的能耗。能耗效益函數(shù)值越大，表明該任務(wù)被映射到類型為k的虛擬機(jī)上執(zhí)行時(shí)越節(jié)能。

微服務(wù)工作流任務(wù)與虛擬機(jī)分配映射算法偽代碼：

算法1微服務(wù)工作流任務(wù)與虛擬機(jī)分配映射算法TaskMapping

輸入：微服務(wù)工作流任務(wù)ti,i∈1,2,…,n,虛擬機(jī)能耗效益函數(shù)集合。

輸出：任務(wù)ti與虛擬機(jī)映射關(guān)系map。

3) 初始化任務(wù)集R=?，k=1；

4)whilek≤landR≠?do

5) 針對任務(wù)ti，選取能耗效益函數(shù)集合中的第k個虛擬機(jī)類型作為目標(biāo)虛擬機(jī)類型，如果ti能在其截止期限執(zhí)行完成，則選取當(dāng)前第k種虛擬機(jī)類型機(jī)為VMopt，把任務(wù)ti映射到該類型的虛擬機(jī)的容器上，即map:ti→VMopt；

6) 否則，把任務(wù)ti放入R中，針對R中的每一個任務(wù)，選取該任務(wù)的能耗效益函數(shù)集合的下一個虛擬機(jī)類型作為目標(biāo)虛擬機(jī)類型；

7)enddo

虛擬機(jī)類型的能耗效益排序采用快速排序或者堆排序，最優(yōu)時(shí)間復(fù)雜度為O(llogl)，其中l(wèi)為虛擬機(jī)類型數(shù)目，步驟5)到步驟7)算法復(fù)雜度為O(nl)，n為微服務(wù)工作流任務(wù)個數(shù)。與已有任務(wù)虛擬機(jī)映射算法相比，本文提出的啟發(fā)式微服務(wù)工作流任務(wù)與虛擬機(jī)分配映射算法具有復(fù)雜度低且滿足綜合能耗效益函數(shù)約束。

2.2 串行任務(wù)合并算法

定義10兩個存在依賴關(guān)系的串行任務(wù)之間數(shù)據(jù)傳輸時(shí)間可由式(12)獲得。

(12)

式中：data(ti,tj)表示有依賴關(guān)系的任務(wù)ti和tj之間傳輸?shù)臄?shù)據(jù)量。

從式(12)可以看出，如果兩個串行任務(wù)分配到一臺虛擬機(jī)上執(zhí)行，那么這兩個任務(wù)間的依賴數(shù)據(jù)傳輸時(shí)間就會被節(jié)約。因此，下面給出串行任務(wù)合并算法的偽代碼。

算法2串行任務(wù)合并算法TaskMerging

輸入:微服務(wù)工作流任務(wù)ti,i∈1,2,…,n,虛擬機(jī)能耗效益函數(shù)集合。

輸出：微服務(wù)工作流任務(wù)集。

1) 初始化空任務(wù)集合，記為T。

2) 對工作流中的任務(wù)進(jìn)行拓?fù)渑判颍缓蟀阉型負(fù)渑判蚝蟮娜蝿?wù)放入T中，i=1；

3)while任務(wù)集合T不為空do

4)if(ti只有一個直接后繼任務(wù)且該后繼任務(wù)只有一個前驅(qū)任務(wù)，或者ti只有一個前驅(qū)任務(wù)且該前驅(qū)任務(wù)只有一個后繼任務(wù)) then

5) 找到一個虛擬機(jī)類型k，滿足在(deadline(ti)+deadline(ti+1))時(shí)間內(nèi)能完成ti和ti+1;

7) 合并ti和ti+1為一個新任務(wù)t′，

8) 更新t′的前驅(qū)任務(wù)、后繼任務(wù)、工作負(fù)載和截止期限;

9) 將ti從T中移除；

10)else

11) 不合并ti和ti+1，移除ti；

12)endif

13)endif

14)enddo

圖3給出串行任務(wù)合并過程示意圖，算法復(fù)雜度為O(nl)，其中n為微服務(wù)工作流任務(wù)個數(shù)。

圖3 串行任務(wù)合并過程示意圖

與已有的串行任務(wù)合并算法相比，本文提出的串行任務(wù)合并算法考慮到虛擬機(jī)能耗效益因素，并且關(guān)注存在依賴關(guān)系的串行任務(wù)合并，顯著地節(jié)約了數(shù)據(jù)傳輸時(shí)間。

2.3 能耗感知的任務(wù)調(diào)度算法

本文提出的能耗感知的微服務(wù)工作流任務(wù)調(diào)度算法旨在優(yōu)化云環(huán)境下數(shù)據(jù)中臺執(zhí)行微服務(wù)任務(wù)時(shí)產(chǎn)生的能耗，同時(shí)滿足任務(wù)截止期限制。算法主要由以上提出的兩個子算法構(gòu)成。

算法3能耗感知的微服務(wù)工作流任務(wù)調(diào)度算法

輸入：微服務(wù)工作流任務(wù)集合T={t1,t2,…,tn}，虛擬資源節(jié)點(diǎn)集V={v1,v2,…,vm}。

輸出：任務(wù)與資源分配關(guān)系矩陣X。

1)while未達(dá)到調(diào)度評價(jià)指標(biāo)do

2) 調(diào)用任務(wù)映射算法TaskMapping；

3) 調(diào)用串行任務(wù)合并算法TaskMerging；

4)enddo

算法復(fù)雜度為O(nlm)。

3 仿真實(shí)驗(yàn)及結(jié)果分析

為了驗(yàn)證本文算法在節(jié)約能耗方面的綜合性能，在不同的仿真參數(shù)和性能指標(biāo)下將其與同樣為啟發(fā)式任務(wù)調(diào)度算法的EES和EHEFT進(jìn)行了綜合對比分析。實(shí)驗(yàn)環(huán)境為Windows 7系統(tǒng)，Intel(R) Core 3.20 GHz CPU，1 TB硬盤，8 GB RAM。仿真平臺為澳大利亞墨爾本大學(xué)的網(wǎng)絡(luò)實(shí)驗(yàn)基于Java語言開發(fā)的Cloudsim云仿真平臺[13]。在Cloudsim仿真平臺中，DataCenter類代表數(shù)據(jù)中臺，VirtualMachine類代表虛擬資源節(jié)點(diǎn)，Cloudlet類代表任務(wù)。

3.1 兩個子算法之間節(jié)能性能比較

本實(shí)驗(yàn)旨在比較兩個子算法隨任務(wù)截止期變化時(shí)的節(jié)能性能。實(shí)驗(yàn)參數(shù)為：虛擬資源節(jié)點(diǎn)個數(shù)m=10，任務(wù)數(shù)n=30，虛擬資源節(jié)點(diǎn)類型數(shù)k=5。實(shí)驗(yàn)結(jié)果如圖4所示。

圖4 任務(wù)截止期變化對兩個子算法能耗的影響

可以看出，隨著任務(wù)截止期的變長，兩者的能耗都在降低，且固定任務(wù)截止期時(shí)，任務(wù)合并算法的節(jié)能效果優(yōu)于任務(wù)映射算法的節(jié)能效果，其原因在于，串行任務(wù)合并算法避免了數(shù)據(jù)依賴任務(wù)之間數(shù)據(jù)集的傳輸，而且任務(wù)合并后只需要租用更少的虛擬機(jī)實(shí)例。本文提出的能耗感知的任務(wù)調(diào)度算法在未達(dá)到調(diào)度評價(jià)指標(biāo)情況下，綜合兩個子算法的節(jié)能優(yōu)勢，實(shí)現(xiàn)綜合能耗最優(yōu)化。

3.2 隨任務(wù)截止期變化的性能比較

本實(shí)驗(yàn)的實(shí)驗(yàn)參數(shù)與實(shí)驗(yàn)1相同，主要考察隨任務(wù)截止期變化時(shí)本文算法與EES和EHEFT之間的節(jié)能性能比較，實(shí)驗(yàn)結(jié)果如圖5所示。

圖5 任務(wù)截止期變化對能耗的影響

可以看出，本文算法的節(jié)能性能最優(yōu)，這說明本文算法在調(diào)度任務(wù)執(zhí)行時(shí)對數(shù)據(jù)中臺的能耗最敏感，因?yàn)楸疚乃惴ǖ哪芎男б婧瘮?shù)總是在滿足任務(wù)截止期的前提下，借助工作流任務(wù)與虛擬機(jī)分配映射算法和串行任務(wù)合并算法，選擇能耗最優(yōu)的虛擬機(jī)執(zhí)行任務(wù)。EHEFT次之，EES的能耗保持不變且維持在一個較高水平，這是因?yàn)镋ES總是選擇數(shù)據(jù)中臺中性能最強(qiáng)的虛擬機(jī)執(zhí)行任務(wù)，不考慮能耗因素。

3.3 隨任務(wù)數(shù)變化的性能比較

實(shí)驗(yàn)參數(shù)為：虛擬資源節(jié)點(diǎn)個數(shù)m=30，虛擬資源節(jié)點(diǎn)類型數(shù)k=5。性能指標(biāo)比較結(jié)果如圖6所示?？梢钥闯?，隨著任務(wù)數(shù)的擴(kuò)充，本文算法、EES和EHEFT的能耗都有所增加，但是固定任務(wù)數(shù)時(shí)，EES和EHEFT產(chǎn)生的能耗均高于本文算法，說明在同等條件下，本文算法的能耗效益函數(shù)機(jī)制在執(zhí)行任務(wù)時(shí)節(jié)約能耗性能和可擴(kuò)展性均明顯優(yōu)于EES和EHEFT。

圖6 任務(wù)個數(shù)變化對能耗的影響

3.4 隨虛擬資源節(jié)點(diǎn)異構(gòu)性變化的性能比較

實(shí)驗(yàn)參數(shù)為：任務(wù)個數(shù)n=100，虛擬資源節(jié)點(diǎn)個數(shù)m=30。能耗比較變化趨勢如圖7所示?？梢钥闯?，隨著虛擬資源節(jié)點(diǎn)異構(gòu)性(虛擬機(jī)類型數(shù))的變化，三個算法的能耗變化不明顯，跟實(shí)驗(yàn)2類似，EES能耗最高，EHEFT次之，本文算法能耗最少。這說明本文算法對虛擬資源的異構(gòu)性變化不敏感，但是節(jié)能性能最優(yōu)。

圖7 虛擬資源節(jié)點(diǎn)異構(gòu)性變化對能耗的影響

綜上，本文提出的能耗感知的微服務(wù)工作流任務(wù)調(diào)度算法與已有算法相比，在隨任務(wù)截止期變化、隨任務(wù)數(shù)變化、隨虛擬資源節(jié)點(diǎn)異構(gòu)性變化等幾個方面均具有更好的性能。

4 結(jié) 語

能耗問題在基于微服務(wù)的數(shù)據(jù)中臺云數(shù)據(jù)中心表現(xiàn)得越來越重要。本文針對云數(shù)據(jù)中臺中依賴任務(wù)調(diào)度導(dǎo)致的能耗浪費(fèi)問題，構(gòu)建了能耗效益函數(shù)模型和云數(shù)據(jù)中臺能耗模型，并提出一個包含了兩個子算法的啟發(fā)式微服務(wù)工作流任務(wù)調(diào)度算法對模型進(jìn)行求解。仿真實(shí)驗(yàn)表明，本文算法在能耗管理方面具有較好的綜合性能。下一步的工作將是考慮虛擬資源節(jié)點(diǎn)的綜合成本問題，同時(shí)滿足基于用戶需求和云數(shù)據(jù)中臺節(jié)能的多目標(biāo)優(yōu)化調(diào)度算法，以及采用相應(yīng)的數(shù)學(xué)模型來刻畫不同的用戶需求。