基于粒子群算法的容器云平臺(tái)低能耗部署方法*

徐勝超 陳 剛 毛明揚(yáng)

（廣州華商學(xué)院數(shù)據(jù)科學(xué)學(xué)院 廣州 511300）

1 引言

隨著移動(dòng)互聯(lián)網(wǎng)技術(shù)的迅速普及和發(fā)展，對(duì)網(wǎng)絡(luò)用戶和業(yè)務(wù)的需求急劇增長(zhǎng)，使得云平臺(tái)上的數(shù)據(jù)集成服務(wù)更加復(fù)雜、更加多樣化，對(duì)云資源調(diào)度提出了更高的要求［1～2］。當(dāng)前的容器云平臺(tái)部署方法在面臨開(kāi)發(fā)、集成、部署、運(yùn)維等情況時(shí)，在已經(jīng)無(wú)法滿足集中化管理與自動(dòng)化運(yùn)維。為了充分發(fā)揮容器易分發(fā)、易部署的優(yōu)勢(shì)，相關(guān)國(guó)內(nèi)外專家針對(duì)容器云平臺(tái)的低能耗部署方面的內(nèi)容展開(kāi)了不同方向的研究。

文獻(xiàn)［3］將虛擬機(jī)放置在物理主機(jī)上，這樣可以最小化功耗，最大化資源利用率。因此該文獻(xiàn)在考慮優(yōu)化能源消耗和資源利用的情況下，解決了CaaS 環(huán)境中容器和虛擬機(jī)的放置問(wèn)題，并提出了一種基于鯨魚(yú)優(yōu)化算法來(lái)進(jìn)行求解。該算法在一個(gè)搜索空間中搜索虛擬機(jī)和虛擬機(jī)的最優(yōu)數(shù)量，實(shí)驗(yàn)結(jié)果表明，該方法在測(cè)試環(huán)境套件上優(yōu)于常見(jiàn)的方法。但是該方法受服務(wù)器分配的影響，造成部署方案能耗較高。文獻(xiàn)［4］通過(guò)邊緣計(jì)算節(jié)點(diǎn)部署的位置選擇，采用窮舉方式選擇最佳網(wǎng)絡(luò)節(jié)點(diǎn)，最終實(shí)現(xiàn)需求響應(yīng)邊緣云部署。文獻(xiàn)［5］通過(guò)馬爾科夫鏈模型描述單一容器的資源需求情況以及資源需求態(tài)勢(shì)，最終通過(guò)資源預(yù)留方法實(shí)現(xiàn)集群容器部署。文獻(xiàn)［6］采用Harmony 的搜索算法移動(dòng)虛擬機(jī)，減少云平臺(tái)的能耗，通過(guò)對(duì)節(jié)點(diǎn)和虛擬機(jī)按優(yōu)先級(jí)降序排序的方法實(shí)現(xiàn)定位，完成工作負(fù)載計(jì)算，以此降低能耗。文獻(xiàn)［4～6］方法實(shí)現(xiàn)了容器云或邊緣云低能耗部署，但是其部署效率有待進(jìn)一步提升。文獻(xiàn)［7］引入霧計(jì)算理論基礎(chǔ)，提出了一種混合整數(shù)線性規(guī)劃公式，在考慮服務(wù)功能鏈概念、不同低功率廣域網(wǎng)技術(shù)和多個(gè)優(yōu)化目標(biāo)的基礎(chǔ)上，完成無(wú)線網(wǎng)絡(luò)需求，實(shí)現(xiàn)在霧計(jì)算環(huán)境中的資源配置優(yōu)化，但是該方法在容器云資源部署過(guò)程中的資源綜合利用率較低。

粒子群算法是一種基于隨機(jī)求解的演化方法，通過(guò)相互傳遞各自信息，判斷是否得出最優(yōu)解，即問(wèn)題收斂。粒子群算法易于實(shí)現(xiàn)，精度高，收斂速度快，因此可以用于容器云平臺(tái)低能耗部署。為此，本文提出了基于粒子群算法的容器云平臺(tái)低能耗部署方法，并通過(guò)仿真測(cè)試驗(yàn)證了該方法可以有效提升容器云平臺(tái)低能耗部署性能。

2 容器云平臺(tái)低能耗部署方法

2.1 建立容器云平臺(tái)低能耗部署模型

在建立容器云平臺(tái)低能耗部署模型的過(guò)程中，待部署的資源以服務(wù)的形式存在。隨機(jī)任務(wù)集合根據(jù)任務(wù)等待序列被部署到云服務(wù)資源節(jié)點(diǎn)執(zhí)行相關(guān)操作。為了進(jìn)一步達(dá)到容器云資源低能耗部署的目的，需要通過(guò)建立目標(biāo)函數(shù)降低容器云平臺(tái)能耗，在約束條件下構(gòu)建低能耗部署模型。下面的式（1）為目標(biāo)函數(shù)，式（2）和式（3）為約束條件，式（4）為能耗模型。

2.1.1 建立目標(biāo)函數(shù)

云資源調(diào)度過(guò)程中不僅需要降低網(wǎng)絡(luò)存儲(chǔ)開(kāi)銷和計(jì)算開(kāi)銷，還需要為內(nèi)存優(yōu)化、運(yùn)行安全提供最大限度的保障。因此，可以利用指數(shù)函數(shù)構(gòu)建容器云平臺(tái)低能耗部署模型，分析低能耗動(dòng)態(tài)負(fù)載情況，達(dá)到優(yōu)化負(fù)載均衡調(diào)度的目的，本文設(shè)計(jì)的具體目標(biāo)函數(shù)可以表示為式（1）的形式：

上式中，Eit代表網(wǎng)絡(luò)節(jié)點(diǎn)i在時(shí)刻t的低能耗動(dòng)態(tài)負(fù)載；αi代表網(wǎng)絡(luò)節(jié)點(diǎn)i的配置權(quán)值；pit代表網(wǎng)絡(luò)節(jié)點(diǎn)i在時(shí)刻t的傳輸幅值。

2.1.2 創(chuàng)建約束條件

以目標(biāo)函數(shù)為基礎(chǔ)，創(chuàng)建約束條件，在滿足約束條件下構(gòu)建低能耗部署模型。低能耗部署平衡約束（等式約束）和時(shí)間約束（不等式約束），能夠有效降低網(wǎng)絡(luò)節(jié)點(diǎn)失衡度，如式（2）、式（3）所示：

上式中，Q代表低能耗部署平衡約束；ki代表有效的負(fù)載電容；Gi代表網(wǎng)損；Tc代表用戶期望獲取的最長(zhǎng)時(shí)間；Ti代表時(shí)間約束；Ta代表用戶提交的任務(wù)計(jì)算時(shí)間。忽略網(wǎng)損Gi，在云資源調(diào)度結(jié)構(gòu)優(yōu)化過(guò)程中，完成分布式網(wǎng)絡(luò)節(jié)點(diǎn)分配。

2.1.3 構(gòu)建部署模型

結(jié)合以上分析，構(gòu)建容器云平臺(tái)低能耗部署模型。低能部署耗模型是結(jié)合目標(biāo)函數(shù)，利用約束條件分析綜合用戶提交的任務(wù)計(jì)算時(shí)間及用戶期望獲取最長(zhǎng)時(shí)間的一種部署模型。通過(guò)低能耗模型可以有效權(quán)衡提交時(shí)間和期望時(shí)間之間的關(guān)系，以此獲取最短任務(wù)執(zhí)行時(shí)間，有效解決容器云平臺(tái)低能耗部署任務(wù)執(zhí)行時(shí)間最小化的問(wèn)題。

在隨機(jī)任務(wù)執(zhí)行過(guò)程中，需要獲取容器云平臺(tái)低能耗部署的最短時(shí)間。但是單一的時(shí)間優(yōu)化模型會(huì)導(dǎo)致網(wǎng)絡(luò)負(fù)載增加，同時(shí)容器云整體服務(wù)效率也會(huì)大幅度下降，所以需要設(shè)定任務(wù)時(shí)間的具體取值范圍為tk[t,tbegin-tend]，其中，tk代表容器云平臺(tái)低能耗部署時(shí)間；t代表部署時(shí)間總和；tbegin和tend分別代表任務(wù)起始時(shí)間和任務(wù)結(jié)束時(shí)間。

在容器云平臺(tái)低能耗部署過(guò)程中，還需要考慮超時(shí)忍耐函數(shù)，同時(shí)也代表任務(wù)服務(wù)的關(guān)鍵程度。當(dāng)超時(shí)忍耐函數(shù)的取值越好，則說(shuō)明節(jié)點(diǎn)利用率就越高，任務(wù)在同一時(shí)間段內(nèi)可以被更多資源部署。當(dāng)網(wǎng)絡(luò)服務(wù)壓力的取值越大，需要通過(guò)云網(wǎng)絡(luò)和忍耐函數(shù)均衡因子條件不同參數(shù)的取值，確保忍耐值最小。對(duì)于已經(jīng)參與服務(wù)的云計(jì)算節(jié)點(diǎn)總數(shù)量、任務(wù)數(shù)量以及忍耐函數(shù)值而言，當(dāng)任務(wù)等待隊(duì)列中有任務(wù)不僅滿足資源能力需求同時(shí)也滿足任務(wù)約束時(shí)間時(shí)，則直接執(zhí)行該任務(wù)；反之，則需要引入松弛時(shí)間相關(guān)概念，使其滿足以上需求，最終完成任務(wù)請(qǐng)求。

通過(guò)上述分析可知，由于需要制定一個(gè)容器云平臺(tái)低能耗服務(wù)器分配方案［8］，才可以得到對(duì)應(yīng)的部署方案，所以在不考慮散熱的情況下，計(jì)算容器云數(shù)據(jù)中心的能耗，從計(jì)算結(jié)果中同時(shí)獲取最低能量消耗，獲取對(duì)應(yīng)的容器云平臺(tái)低能耗部署模型可以表示為式（4）的形式：

上式中，minN代表容器云平臺(tái)低能耗部署模型；fmax和fmin分別代表最高和最低分工頻率；Fmax代表服務(wù)器最大占用頻率，n代表節(jié)點(diǎn)總數(shù)量。在執(zhí)行隨機(jī)任務(wù)的過(guò)程中，由于數(shù)據(jù)傳輸會(huì)給數(shù)據(jù)中心帶來(lái)一定的負(fù)載，所以需要設(shè)定負(fù)載函數(shù)θ［9-10］。

以最低能量消耗和最短任務(wù)執(zhí)行時(shí)間為目標(biāo)，組建容器云平臺(tái)低能耗部署模型，同時(shí)設(shè)定對(duì)應(yīng)的約束條件。根據(jù)通過(guò)負(fù)載函數(shù)和超時(shí)忍耐函數(shù)的優(yōu)化求解可以獲取最佳部署方案。

2.2 基于粒子群算法的容器云平臺(tái)低能耗部署模型求解

粒子群算法［11～12］屬于全局優(yōu)化算法的一種，粒子群的個(gè)體對(duì)應(yīng)于容器云平臺(tái)低能耗部署問(wèn)題的可能解，各個(gè)粒子存在位置、速度兩種變量，粒子位置坐標(biāo)表示的目標(biāo)函數(shù)值就是此粒子的適應(yīng)度。粒子群算法里，各個(gè)粒子都存在一個(gè)可能的最優(yōu)解，因此容器云低能耗部署過(guò)程中，將一個(gè)任務(wù)劃分為多個(gè)大小相同的子任務(wù)，并將其分配到對(duì)應(yīng)的部署節(jié)點(diǎn)上。對(duì)任務(wù)編碼的方式主要使用間接編碼方式，其中編碼的長(zhǎng)度主要根據(jù)子任務(wù)長(zhǎng)度體現(xiàn)。利用圖1給出粒子編碼解碼規(guī)則。

圖1 粒子編碼解碼規(guī)則

粒子群算法的適應(yīng)度函數(shù)會(huì)直接關(guān)系到算法的收斂速度以及全局最優(yōu)解。在確保容器穩(wěn)定性的前提下，需要兼顧多個(gè)優(yōu)化目標(biāo)，進(jìn)而獲取更加滿意的優(yōu)化結(jié)果。基于容器云平臺(tái)低能耗部署實(shí)際需求，利用粒子位置完成容器云平臺(tái)低能耗部署實(shí)數(shù)編碼，使編碼形式更加直觀、更便于解碼。假設(shè)表示粒子狀態(tài)，則推導(dǎo)出粒子群編碼格式為，其中，xmD代表粒子的位置，g(xm)代表粒子的適應(yīng)度函數(shù)值，m代表粒子數(shù)量。

給定粒子數(shù)量m與迭代次數(shù)k后，對(duì)粒子群中各粒子位置與速度進(jìn)行初始化處理，設(shè)置節(jié)點(diǎn)編碼與速度是1，兩者分別與容器云資源低能耗部署的任務(wù)起始時(shí)間和任務(wù)結(jié)束時(shí)間相對(duì)應(yīng)，適應(yīng)度函數(shù)值是+∞，其他指標(biāo)的初始化值均是0。

考慮到容器云平臺(tái)低能耗部署過(guò)程中存在總負(fù)載均衡度、總?cè)蝿?wù)完成時(shí)間等諸多限制信息，只有在粒子群優(yōu)化算法中加入相應(yīng)的約束條件，才能確保容器云平臺(tái)低能耗部署方案具有一定的有效性與實(shí)用性。因此，在考慮負(fù)載均衡的前提下［13］，設(shè)定如式（5）所示的適應(yīng)度函數(shù)：

上式中，L代表總負(fù)載均衡度；tmax代表總?cè)蝿?wù)完成時(shí)間；Numvm-cup代表單一CPU的處理能力；λ代表限制信息。

在采用粒子群算法［14～15］求解容器云平臺(tái)低能耗部署模型的過(guò)程中，由于種群規(guī)模比較大，會(huì)導(dǎo)致算法出現(xiàn)早熟的現(xiàn)象。所以實(shí)行早熟判斷和處理是十分重要的環(huán)節(jié)，可以增加收斂速度的同時(shí)，避免早熟現(xiàn)象，該過(guò)程通過(guò)迭代方式實(shí)現(xiàn)。

假設(shè)迭代更新的時(shí)間間隔是Δt，慣性權(quán)重為ω，則采用式（6）和式（7）更新粒子位置與速度：

上式中，k代表迭代次數(shù)；代表更新后的粒子速度。根據(jù)式（5）計(jì)算出的解碼過(guò)程中適應(yīng)度函數(shù)值，留存多個(gè)理想粒子，在每次迭代過(guò)程中，及時(shí)更新各個(gè)粒子的位置和速度信息［16］，當(dāng)粒子的適應(yīng)度取值大于歷史適應(yīng)度值，則需要展開(kāi)替換操作。在整個(gè)群體中，可以通過(guò)種群中粒子適應(yīng)度值的個(gè)體或者全局描述對(duì)應(yīng)的位置信息［17～18］，進(jìn)而判定算法是否陷入早熟。

通過(guò)上述分析，在粒子群算法［19］的基礎(chǔ)上，充分考慮容器云平臺(tái)低能耗部署限制信息，在其中加入相應(yīng)的約束條件并通過(guò)限制粒子移動(dòng)區(qū)域，實(shí)現(xiàn)基于粒子群算法的容器云平臺(tái)低能耗部署，圖2 給出了粒子群算法求解容器云平臺(tái)低能耗部署模型的詳細(xì)操作流程。

圖2 容器云平臺(tái)低能耗部署模型求解流程圖

步驟1：參數(shù)初始化處理；

步驟2：對(duì)各個(gè)粒子解碼處理，主要由容器云平臺(tái)低能耗部署任務(wù)和計(jì)算節(jié)點(diǎn)之間的分配關(guān)系獲取對(duì)應(yīng)的矩陣；

步驟3：計(jì)算各個(gè)粒子的適應(yīng)度值；

步驟4：根據(jù)設(shè)定的適應(yīng)度函數(shù)篩選最佳個(gè)體位置，依據(jù)式（5）優(yōu)先篩選負(fù)載均衡度最小的粒子作為最優(yōu)個(gè)體位置，假設(shè)有多個(gè)粒子，則進(jìn)入二級(jí)篩選階段，將總?cè)蝿?wù)完成時(shí)間加權(quán)最大的粒子設(shè)定為當(dāng)前最佳粒子；

步驟5：通過(guò)適應(yīng)度函數(shù)篩選全局最優(yōu)粒子位置；

步驟6：判斷算法是否達(dá)到最大迭代次數(shù)，是則執(zhí)行步驟9；反之，進(jìn)入步驟7；

步驟7：更新慣性權(quán)重ω取值，確保算法的慣性權(quán)重在設(shè)定區(qū)間范圍內(nèi)波動(dòng)；

步驟8：依據(jù)式（6）和式（7）分段更新粒子的位置和速度；

步驟9：輸出最佳容器云平臺(tái)低能耗部署方案，停止計(jì)算。

3 仿真測(cè)試與性能分析

3.1 粒子群算法參數(shù)設(shè)置

為了驗(yàn)證基于粒子群算法的容器云平臺(tái)低能耗部署方法，根據(jù)第二部分的計(jì)算和分析，得到如表1 所示的種群粒子數(shù)量與容器云平臺(tái)低能耗部署相關(guān)性設(shè)置。

表1 種群粒子數(shù)量與容器云平臺(tái)低能耗部署設(shè)置

根據(jù)表1 可知，粒子群算法運(yùn)行時(shí)長(zhǎng)隨粒子數(shù)量的增加而上升，只有當(dāng)粒子規(guī)模是路網(wǎng)節(jié)點(diǎn)的1倍～1.5倍時(shí)，才能取得較為理想的部署效果。綜合上述分析，設(shè)定粒子群算法參數(shù)分別為：種群粒子數(shù)量是1350 個(gè)，最大允許迭代次數(shù)是220 次，慣性權(quán)重ω與迭代次數(shù)呈線性負(fù)相關(guān)，取值范圍為［0，1］。

3.2 容器云測(cè)試環(huán)境

在阿里云Serverless Kubernetes 平臺(tái)中進(jìn)行容器云平臺(tái)低能耗部署測(cè)試。具體的測(cè)試環(huán)境參數(shù)設(shè)置為：隨機(jī)選擇48h 內(nèi)的容器云平臺(tái)低能耗部署任務(wù)負(fù)載數(shù)據(jù)作為測(cè)試數(shù)據(jù)，設(shè)定容器的緩沖能力取值范圍，最大可至10000，最低至2000，同時(shí)最多可以分配200 個(gè)容器；最大響應(yīng)時(shí)間為1s。測(cè)試流程如圖3所示。

圖3 測(cè)試流程圖

3.3 測(cè)試結(jié)果

參考文獻(xiàn)中的文獻(xiàn)［3～7］，這5 種方法都有一定的共通性，選擇其中哪種方法進(jìn)行對(duì)比都能確保測(cè)試的準(zhǔn)確性。由于時(shí)間和研究條件的有限性，所以選擇了兩種方法進(jìn)行對(duì)比。對(duì)比本文方法和文獻(xiàn)［3］方法、文獻(xiàn)［4］方法的容器云平臺(tái)低能耗部署性能、資源綜合利用率和集群資源失衡度。

3.3.1 容器云平臺(tái)低能耗部署性能分析

測(cè)試通過(guò)最大任務(wù)執(zhí)行總時(shí)間、任務(wù)最大響應(yīng)時(shí)間、容器最大平均隊(duì)列長(zhǎng)度和容器在線運(yùn)行時(shí)間總長(zhǎng)四個(gè)指標(biāo)對(duì)比不同部署方案的性能展開(kāi)分析和研究。利用圖4 給出本文方法與文獻(xiàn)［3］方法和文獻(xiàn)［4］方法三種不同方法各項(xiàng)指標(biāo)的測(cè)試結(jié)果。

分析圖4 中的測(cè)試數(shù)據(jù)可知，與另外兩種方法相比，本文方法的任務(wù)平均最大等待時(shí)間、任務(wù)最大響應(yīng)時(shí)間和容器在線運(yùn)行時(shí)間明顯更低一些，容器最大平均隊(duì)列長(zhǎng)度更長(zhǎng)。這是由于本文方法利用粒子群算法根據(jù)篩選機(jī)制獲取歷史最好位置，將粒子群的最優(yōu)位置與容器云平臺(tái)低能耗部署方案進(jìn)行對(duì)應(yīng)，以此提升容器云平臺(tái)低能耗部署性能效果。由此可見(jiàn)，本文方法在容器云平臺(tái)低能耗部署過(guò)程中，不僅考慮到了服務(wù)質(zhì)量保證，同時(shí)還考慮了資源利用率，有效確保了容器運(yùn)行過(guò)程中的服務(wù)質(zhì)量。

圖4 容器云平臺(tái)低能耗部署性能測(cè)試結(jié)果分析

3.3.2 資源綜合利用率分析

各個(gè)方法的資源綜合利用率對(duì)比結(jié)果如表2所示。該測(cè)試結(jié)果通過(guò)負(fù)載均衡度指標(biāo)進(jìn)行衡量，容器的負(fù)載均衡度越高，代表對(duì)應(yīng)方法下的服務(wù)器吞吐性能更好，其資源綜合利用率更高。

由表2 中的數(shù)據(jù)可知，本文方法的負(fù)載均衡度相較于對(duì)比方法更高，最高負(fù)載均衡度達(dá)到95%，相較于文獻(xiàn)［3］方法的93%和90%更高，其主要原因是本文方法在考慮資源低能耗部署的網(wǎng)絡(luò)重要程度以及用戶期望值的情況下，建立了容器云平臺(tái)低能耗部署模型，可以更好利用帶寬以及存儲(chǔ)需求，從而提升了資源綜合利用率。

表2 不同方法的資源綜合利用率測(cè)試結(jié)果對(duì)比

3.3.3 集群資源失衡度分析

選取集群資源失衡度作為測(cè)試指標(biāo)，利用圖5給出詳細(xì)的測(cè)試結(jié)果。

圖5 不同方法的集群資源失衡度測(cè)試結(jié)果對(duì)比分析

由圖5 中的測(cè)試數(shù)據(jù)可知，各個(gè)方法的集群資源失衡度會(huì)隨著虛擬機(jī)內(nèi)存的增加而增加。其主要原因是虛擬機(jī)內(nèi)存的增加，造成容器內(nèi)需調(diào)度和部署的資源增多，導(dǎo)致容器的負(fù)載增加，更易導(dǎo)致集群資源失衡。然而在三種方法中，本文方法的集群資源失衡度明顯更低一些，最高集群資源失衡度為0.19，其主要原因是本文方法在考慮總負(fù)載均衡度的基礎(chǔ)上，構(gòu)建了適應(yīng)度函數(shù)，通過(guò)多次迭代找到了粒子最優(yōu)位置，實(shí)現(xiàn)了高效率的容器云平臺(tái)低能耗部署，降低了容器負(fù)載的影響。

4 結(jié)語(yǔ)

本文利用了粒子群算法，構(gòu)建并求解容器云平臺(tái)低能耗部署模型，有效降低集群資源失衡度，提升了綜合資源利用率，同時(shí)還能夠獲取更加滿意的容器云平臺(tái)低能耗部署方案。由于容器云資源低能耗部署問(wèn)題是一個(gè)十分復(fù)雜的問(wèn)題，本文方法仍然存在一定不足，后續(xù)進(jìn)一步研究如何將不同因素的影響降至最低，確保本文方法的性能達(dá)到最佳狀態(tài)。