文摘

电力造成的经济成本在总成本最重要的部分的数据中心;因此,节能是一个重要的问题在云计算系统。一个著名的技术来减少能源消耗是虚拟机(vm)的整合。然而,它可能会失去一些性能点节能和服务质量(QoS)动态工作负载。幸运的是,动态调整频率和电压(dvf)是一种有效的节能技术在动态的环境中。本文结合dvf技术,我们提出一个合作双重节能意识管理方法包括当地dvf控制和全球VM部署。dvf控制器调整同质处理器的频率在每台服务器在运行时根据实际能源预测。另一方面,全球调度器分配虚拟机到指定服务器基于合作与当地dvf控制器。最终的评价结果证明我们在节能的双重方法的有效性。

1。介绍

云计算提供弹性计算资源在现收现付的基础上对于大多数可能的形式的应用程序也会导致大量的电能消耗。近0.5%的世界消耗的总功率使用服务器在数据中心(1]。其中,处理器(cpu)占最重要的力量和最动态的一部分力量,可以调整,而其他组件只能完全或部分关闭(2]。由于这些原因,降低能耗的处理器使用cpu的动态特性的能力已成为一个热门研究课题在云计算系统中。

为更多的收入服务更多的用户,服务提供者更愿意在用户之间共享集群资源。在云环境中,虚拟化技术是广泛采用允许用户共享物理资源。使工作服务器虚拟机(VM)尽可能少,让空闲服务器在低功耗模式下会提高资源的利用率,减少能源消耗,这被称为虚拟机整合。在每个服务器,通过应用动态电压和频率扩展(dvf),使执行频率的动态调整需求,可以节省更多的能量。CPU的动态功耗成正比的频率和电压的平方。按比例缩小的执行频率会减少权力,同时它也可能降低性能和增加执行时间,这可能导致更多的能源消耗(能量等于权力的线积分时间,)。另一方面,云计算系统中实时任务通常要求执行速度;执行时间的延长可能违反QoS要求。因此,它是重要的能源消耗减少扩展任务的执行频率(3]。

VM考虑确实可以提高资源和此前的许多作品4- - - - - -6)达到显著效果在虚拟化的云系统节能。然而,他们大多数不把dvf策略的优势。其他一些应用dvf后分配的影响而没有考虑dvf之前分配。然而,如果考虑到影响dvf技术在能源分配之前,可以减少更多的能量。但它不是微不足道的总能量消耗最小化VM分配算法和dvf策略。需要解决的几个问题:(1)如何定义的服务质量(QoS)需求;(2)哪些服务器可以加载到vm与要求;(3)哪个服务器将最小能耗dvf到来vm和保证QoS要求。

在本文中,我们提出一个合作考虑到dvf双重节能意识管理,将实时任务vm集群和扩展频率。当地层,我们提出一种新颖的方法来找到最佳的组合频率不同的cpu消耗最少的能源基于实际的预测。我们考虑频率功率和utilization-power关系时预测的能源消耗。在全球层,通过合作与当地dvf控制器,全局调度程序分配一个VM集群带来的最喜欢的处理器最小能量变化。频率执行之前分配而不是之后到来的工作量已经决定分配。框架提出了能够充分考虑能源消耗和性能,达到良好的能源和消费之间的权衡。每个主机的状态是由全球大师定期沟通,所以主可以控制能源消耗和性能。与此同时,计算每个候选人可以并行完成分配来提高计算的有效性。总之,本文的主要贡献如下:(我)我们建议多处理器功率模型,它显示接近真正的服务器的功耗模型的评价。多处理器功率模型帮助我们精确估计的能源消耗。(2)我们变换频率扩展到一个节点的能量最小化问题定向图的搜索问题。我们还证明了最优状态,消耗最少的能源可以找到从一个初始状态,所有处理器的频率最高。(3)我们提供一种新型的调度算法,并行工作有效地合作与当地dvf控制器,对节能意识调度的问题。实验证明我们的节能战略的有效性。

本文的其余部分组织如下。部分2介绍了一些相关的工作。部分3介绍了我们的解决方案的框架和部分4介绍了任务模型和分析一个VM的请求。节5介绍当地的能源预测方法和能量最小化算法dvf控制器。全球VM分配算法部分6。节7通过一些实验,我们评估我们的解决方案。最后,我们得出本文的部分8。

2。相关工作

减少能源消耗已经近年来数据中心的一个关键问题。许多作品在虚拟化环境的节能策略研究。Kusic et al。7)定义一个动态资源管理作为一个连续的虚拟化环境的优化。顺序优化的目标是最大化利润的提供者是解决使用有限的超前控制(LLC)通过最小化能量消耗和SLA。但框架捕捉每个应用程序的行为基于仿真的学习和模型的复杂性使方法不适合大规模数据中心。

在[8),作者开发了动态资源配置和分配问题,节能的云计算的虚拟化技术。他们建议自己管理和节能意识机制来分配虚拟机(vm)和迁移虚拟机根据CPU利用率和能源消耗。放置的分配问题,可以视为一个装箱问题是通过修改最适合解决减少(MBFD)。迁移问题,三提出了政策选择虚拟机迁移,以减少能源消耗。

Cardosa et al。9)提出了一种新颖的方法,高效虚拟机放置的异构数据中心通过利用min-max和虚拟机的共享特征基于dvf和软缩放技术。电力消耗和利用来自一个VM的运行时间进行了优化,设置先验。然而,他们的方法并不严格支持sla和信息的应用程序的优先级是必要的。曹和董10)提出一个启发式能源利用虚拟机整合框架,可以获得更好的节约能源和性能之间的权衡。SLA违反决策算法来确定主机对违反SLA的地位。基于主机的状态,虚拟机迁移的最小功率和最大利用政策是用来实现节能。

文献[11)最大化利用环境中的虚拟机级别的容器。本文的目标是动态设置虚拟机的尺寸为了提高虚拟机的利用率,可以节省整体能源消耗。实验表明,他们的方法可以达到7.55%的能源消耗比场景虚拟机大小是固定的。文献[12)提出了一种虚拟机分配算法来减少能源消耗和违反SLA,它使用历史记录虚拟机的使用。

一些其他作品主要关注dvf策略降低处理器的功耗主机。他们中的一些人定期调整频率根据服务器的性能。文献[13定期监控处理器的利用率和频率却降低了仔细当有可观测的影响执行时间的任务。许和冯14)提出了一个适应算法,定期评估性能和在运行时自动调整频率和电压。文献[15)也对多核处理器开发周期dvf控制器不使用任何性能模型。然而,时间的长度对算法的性能有很大的影响,它应该非常仔细地评估。

扩展频率根据工作负载的类型是另一个有效的方式开展dvf控制。他们实现节能的目标很少或有限的性能损失减少的频率在通信、数据访问、内存访问,或者空闲阶段。Lim et al。16)提出了一个运行时调度程序,适用于dvf控制在交流阶段被拦截MPI调用。在[17),作者提出了一种新颖的算法,利用混合MPI / OpenMP的机会执行应用程序规模的频率,减少能源消耗。棕褐色等人实施数据密集型应用dvf调度策略(18),实现了节能。他们的策略自适应设置合适的频率根据中央处理器受限时间在总执行时间的百分比的工作负载,是在源代码中实现水平。

dvf能够减少能源消耗,但这是有限的在一台服务器上。很多工作开发了DVFS-based任务调度服务器之间因为工作负载分布的影响总体的能量。参考文献(19,20.]提出类似的节能意识策略调度一组任务到物理机器上。调整电源电压利用非关键工作的松弛时间。文献[19还讨论了能源消耗之间的权衡和调度长度。汗,艾哈迈德(21]研究了网格中的任务分配问题,他们利用合作博弈理论来减少能源消耗和考DVFS-based集群的任务。类似于(21],Mezmaz等人研究的问题依赖precedence-constrained并行应用程序(22]。不同的这些作品,我们研究了独立的实时服务期限约束多处理器系统。

参考文献(23- - - - - -27]研究节能为实时系统任务调度。罗和Jha研究了周期性任务的调度在异构系统并给出一个高效的解决方案27]。在[24),作者提出了一个节能意识任务划分算法和多项式时间复杂性DVFS-based异构系统。Awan和培特提出了一个节能意识分区方法的任务由两个阶段组成,他们用一个现实的力量模型来估计功耗(23]。我们的任务分配算法与当地合作dvf控制器来预测不同情况下的能量消耗;频率的影响扩展到能源消费之前考虑分配储蓄更多的能量。

3所示。概述

我们的框架可以接受和分析的工作负载和包通过虚拟机(vm),并将它们分配到合适的服务器来减少能源消耗。我们首先描述我们的解决方案的架构图1在本节中,随后介绍了实时分析(3]。在我们的解决方案全局调度器分配一个任务一个VM来执行它,保证QoS要求。这个VM将分配给主机可以卸载它不会引起任何违反QoS要求和带来最低的能源消耗。我们的目标是找到虚拟机的分配方法和频率扩展方法任务减少能源消耗。

定义1(主机模型)。让作为资源的表示jth主机,和向量记录每个处理器的使用率和频率。

的任务分析在调度程序接收和分析信息的任务,必要时将其发送给其他组件。的主机监控是助理组件连接到每个服务器和采集服务器的基本信息。的本地监控监控服务器和发送的资源基本信息主机监控在必要的时候。服务器的基本信息记录主机模式(定义1)。我们主要关注资源的处理器,所以我们只记录中处理器的状态主机模式。我们的解决方案的主要工作机制安排新任务的要求描述如下:(1)当来临时,任务分析分析的基本信息并将其发送到主机监控和全局调度器(部分6)。(2)当主机监控接收的信息,它选择一组候选人可以加载根据服务器的基本信息和发送的设置全局调度器。在大型数据中心,精心挑选候选人的数量可以提高分配的有效性。(3)当全局调度器收到候选人的基本信息,它将任务信息发送到服务器的候选集。(4)当一个候选人收到任务信息,当地dvf控制器(部分5)将估计的最小能量变化分配给它的一个VM根据监控信息。然后控制器返回结果全局调度器。(5)当全局调度器收到的回应所有的候选人,它分配最好的服务器使用我们的分配算法。可能会有一些网络错误等通信数据包错误或损失或高网络延迟。我们可以设置一些门槛全局调度器例如,时间为响应时间或重试时间阈值。当候选人的响应时间或重试时间大于阈值,全局调度器可以抛弃这个候选人。

这是一个简单的建筑节能意识任务调度和一些项目实施细节或优化探讨。我们主要关注的节能意识调度任务和提供了一个解决这个问题的。一些问题如单点故障和网络错误分布式云系统也很重要。我们认为这些问题在今天的云系统和成熟的解决方案这些方面可能不是一个问题,我们的解决方案。

4所示。任务模型

请求服务的云计算系统通常有期限限制的服务水平协议(sla)的主要方面。我们探索节能方法接受请求的集群任务。我们定义的任务模型(定义2)来描述任务的请求。任务模型记录一些重要的信息,用户提供。和描述任务和要求和描述任务的执行角色。

定义2(任务模型)。让=描述我th任务,表示开始时间,相对截止日期,预计执行时间,分别和平均利用率。

的隔离、可伸缩性和稳定的系统中,任务通常是运行在虚拟机独立的云计算系统。我们可以把每个任务视为一个VM,所以任务的分配相当于VM在某种程度上的分配。在我们的模型中,我们把一个任务分配给虚拟机运行和VM将分配给适当的主机。当任务完成时,VM加载这个任务将被关闭或变成了睡眠。VM运行任务的生活时间等于这个任务的执行时间。因此,VM的生活时间不应超过最后期限的任务。让代表虚拟机负载。

我们设计了任务分析接受和分析传入的请求的任务。它发送任务的基本信息预处理后其他组件。(即生活时间的任务。,VM) usually includes computing time and CPU idle time. The CPU idle time may consist of communication, memory, or disk access. The real-time analysis we designed is to distinguish the computing time and CPU idle time. The average utilization of a VM can reflect the computation and CPU idle time in some degree. Let和表示频率的计算时间和一个VM的空闲时间。我们估计的计算时间和空闲时间为我任务。的任务分析计算和并将这些信息发送给其他模块。

计算时间有紧密关系的CPU频率显示了线性扩展频率降低(28,29日),而空闲时间的任务几乎不会变化由于变频。因此,生活时间的VM我th任务频率可以表示为 当当地dvf控制器预测不同频率的能量消耗,vm的生活时间可以计算(1)根据提供的任务信息任务分析仪。虽然运行时间可以预测在不同频率下,能源预测和dvf控制器并不是一个容易的任务。我们将介绍我们的方法解决他们的细节在下个部分。

5。当地dvf控制器

的dvf控制器扮演着一个重要的角色在我们的框架,它有两个主要功能。一方面,它预测的能源消耗多处理器服务器根据处理器的利用率、频率和vm的生活时间。另一方面,基于能量预测,它运行k-Phase能源预测(kPP)算法找到最佳频率组合带来最低的能源消耗。

5.1。能源预测多处理器服务器

电力能源消耗是有功功率对时间的积分。因此,服务器的功率预测是至关重要的。以前的工作原理就像(30.- - - - - -34]薮猫提供方法来估计一个服务器的力量。然而,他们只专注于频率功率或utilization-power关系和多处理器平台的详细电力预测也忽略了。在本文中,我们提供了一个实用的电力预测多处理器服务器基于频率功率和utilization-power关系。我们利用同构处理器将使用相同的权力时在同等条件下预测功耗。

服务器的能耗包括两个部分:静态和动态功耗。功耗的静态部分包括主板、硬盘、风扇,等等。CPU占最大的动态功率的一部分。根据先前的研究,CPU的动态功耗成正比的频率和电压的平方(34),可以表达 在哪里活跃的比例是盖茨,是总电容,是电源电压,是工作频率。根据(31日),电压频率的线性关系,因此可以减少处理器的动态功率作为频率的函数:,在那里是一个比例系数。处理器还当他们是活跃的静态功耗。让代表一个服务器的静态功耗代表的静态功耗处理器。主机所有的力量同质处理器在同一频率工作充分利用可以表示如下: 在哪里cpu的数量。我们要消除处理器的静态功耗,这不是容易衡量。对于一个给定的主机,我们可以很容易地测量它的最大功率。因此,我们可以估算出一个主机所有处理器的功耗工作在同一频率:

功耗也与利用率。图2(一个)显示了功耗只有一个处理器运行和图2 (b)两个处理器的力量表明,在相同的利用率和工作频率。我们可以看到,不同的利用率在相同频率下是不同的。权力和利用存在线性关系,用一个声音(30.,32,33]。因此,一个同质的电力消耗CPU频率和利用可以表示为 最后,预测的力量可以表示为一个同质多处理器服务器 我们可以查看的力量jth主机作为使用率和频率的函数,作为,在那里和定义在主机模式。

定义3(频率扩展单元)。一个时间间隔是一个频率扩展单元(前苏联)如果(1),和(2)变化和,在那里代表的vm在一个服务器上。

能源消耗取决于执行时间和力量。我们定义的概念频率扩展单元(前苏联,定义3)来估计vm的生活时间。前苏联代表一段时间内,虚拟机的数量不会改变。一旦虚拟机的数量变化,也就是说,一个VM或离开,进入下一个前苏联。前苏联的一个例子是图所示3,其中包括四个前苏联。假设一个VM是停在时间和下一个VM是结束时间,然后是一个前苏联。如果一个虚拟机分配到服务器和虚拟机完成,说到第一个前苏联从当前时间。很明显,主机的虚拟机数量等于原苏联如果所有虚拟机的数量在不同的时间完成,我们假设vm结束在不同的时间在一个主机在本文的其余部分。

如果我们为所有的处理器在一个前苏联设置一致的频率,这个前苏联的权力状态是相对稳定的,因为这个前苏联的工作负载是固定的。我们知道这个前苏联的长度,所以能源消耗在一个前苏联可以方便、准确地预测以下方程:,在那里和分别代表权力和时间。基于前苏联的定义、幂函数和相关符号的符号,能源消费jth主机来完成所有的虚拟机都可以预测如下: 主机的力量在哪里可以计算(6在不同的情况下)。前苏联的长度也可以估计不同频率下(1)。

5.2。kPP算法能量最小化

根据能量的分析预测,如果我们组一致的频率在一个前苏联,那么我们可以预测的能源消耗在一个前苏联方便。如果我们将使用不同频率的前苏联,vm的生活时间和权力的服务器将是不同的,不同的能源消耗。有一个最优解,最低能量消耗当所有vm结束在这个服务器。我们想要找到所有前苏联带来最低能量的频率组合的承诺确保虚拟机的要求。基于预测的能量,能量最小化问题频率扩展的同质多处理器平台可以形式化如下:

清晰的描述问题,我们定义作为一个状态前苏联的可能的频率组合1使用符号的符号。如果只有一个频率组合两个国家之间的不同,我们说他们是邻居。例如,如果有两个州和和前苏联的频率组合在和然后,不同的而其他人是一样的吗和是邻居。此外,我们定义能源消费总量的成本函数根据(7)如果我们规模的频率在每一个前苏联。让一个节点状态和优势邻里之间的两个节点之间的礼物和。最小化问题是找到带来最低能量的“最优”节点没有任何违反sla中从最初的节点图。

引理4。让最初的节点代表的国家在所有前苏联所有处理器的频率最高。如果所有虚拟机的初始状态保证sla,有一个从初始节点路径最优节点没有任何违反sla以最小的能源消耗。

证明。让表示以最小能耗最优状态没有任何违反sla。如果所有处理器的频率最高的都是前苏联初始状态是最佳的状态。否则,我们选择前苏联所有cpu频率并不是最高的。如果我们规模最高的频率,新状态还将确保所有vm的sla因为处理器工作在更高的频率导致更短的执行时间。是一个邻居的最优状态,这意味着也可以搬到。重复上面的过程中,我们可以找到一个路径到初始状态代表有一个路径来。

5.2.1。步能源预测kPP算法

能源预测k前苏联,最好的频率组合可以找到从初始状态根据引理4。有可能的频率组合在每个原苏联,所以可能会有可能状态的前苏联不同的能源消耗。让表示频率的水平jth主机;我们有。我们想要找到最优解以最小的能源消耗在这些可能状态,同时保证sla。然而,搜索空间如果有许多虚拟机太大。因此,我们提供了两种启发式算法搜索的“最优”的解决方案是基于模拟退火(SA) [35)和可变深度搜索(VDS) [36),分别。

(1)基于模拟退火启发式算法。通过比较能源消耗的一个随机的邻居,我们可以找到一个更好的状态,带来更少的能量。如果我们多次重复这个过程,我们会发现最优状态。让代表引理的初始状态4。事实上,由于模拟退火(SA)算法已经证明以概率1收敛于最优,可以预期,我们的算法将通过足够的迭代输出不错的结果。如果我们知道频率步骤和任务的信息,确定vm的生活时间。因此,我们可以估计形势的总能量的状态使用能量代价函数(第3行)。该算法运行迭代找到状态,初始状态相比,消耗的能量更少。算法在每次迭代中,随机选择一个前苏联改变频率的处理器和生成一个新的状态。这一步需要时间。如果随机的邻居违反sla对任何一个vm,国家被丢弃算法进入下一次迭代。这一步需要时间,是数量的任务。否则,如果预测的能量小于,在下一个迭代中被选中状态相比由于减少能源消耗。预测需要的能量时间根据(7),是处理器的数量。此外,算法还改变的状态来的概率提出了大都市et al。37给可能找到最优解。基于模拟退火的细节提出了kPP算法在算法1。显然,时间复杂度的SA-based kPP算法。

(2)基于可变深度搜索的启发式算法。的VDS-based kPP算法选择一个子集的最低能量的状态下邻居并比较其当前状态。如果选中状态消耗更少的能量确保vm的sla的承诺,我们将改变状态。的初始化状态VDS-based SA-based算法的初始化算法是一样的。算法选择一个子集的邻居前苏联的频率组合是不同的(5 - 6行)。前苏联的频率组合与最低能量将被选中(第7行)并生成一个新的国家。预测需要的能量时间,所以选择最低能量的状态时间,是子集的大小。新状态的算法检查违反sla(第四行)。这个过程重复了次或直到状态不会改变的迭代。因此,这个算法的时间复杂度。可变深度搜索的有效性证明(36]。的细节VDS-based kPP算法算法所示2。

的当地dvf控制器当运行kPP算法全局调度器问它预测最低能源消耗和返回全局调度器。这是其中一个运行kPP算法的机会。当负载变化时,状态将改变的力量。此外,虚拟机的执行时间可能会有一些错误,可能导致能源预测的误差。因此,我们应用频率扩展当VM完成第一原苏联的频率和规模,这意味着算法只鳞片cpu频率只是第一前苏联,而预测的频率组合k前苏联。在图所示的例子3,如果付出的时间分配给主机,主机应用kPP算法,设置cpu频率与原苏联1的结果。当完成的,kPP算法也获得“最佳”的状态根据结果和尺度频率。由于专业kPP算法在运行时间,迭代应该在很短的时间内完成,这样当地的阶段可以扩展频率。

6。全局调度器

不同分配一个新的虚拟机可能会影响整体能源消耗,因为新VM上执行不同的服务器将带来不同的能源消耗。我们想要找到适当的调度,以减少能源消耗完成所有的虚拟机。我们可以获得不同的能源消费具有不同分配如果我们要求每个主机预测最低能源消耗。使用不同的分配的结果,我们可以选择一个更好的分配方案,以减少能源消耗。我们的目标是最小化整个集群的整体能量消耗完所有虚拟机包括新VM。为了解决虚拟机调度的能量最小化问题,我们首先形式化问题。我们决定参数是1,如果我VM分配cth CPU的jth主机,否则为0。节能VM分配问题可以表示为

虚拟机调度的能量最小化问题是找到整个集群的服务器带来最低能量是分配给它。每个服务器的最小能量消耗可以预测kPP算法,为代表为j主机。如果传入的VM分配jth主机的价值的最低能耗变化而不改变其他主机。当分配给yth主机,能源消耗,在那里是最低能量消耗如果被分配给y主机。我们有 所以我们可以选择带来的主机最低能量变化运行的VM。我们所说的调度算法最小能量变化(MC),算法所示3。的全局调度器将VM在分析信息发送给主机(1号线)的一个子集,每个主机返回预测最小能量变化。因此,我们可以并行运行的节能算法获得的最低能源消耗每台主机在一个VM的到来。后当地dvf控制器预测的最小能量变化,它也记录最好的处理器这个VM。当这个VM是分配给它,VM将安排到最好的处理器。一旦决定主机,选择主机将启动一个VM运行VM在选定的频率下工作。很明显,时间复杂度,在那里和代表当地的预测算法的时间复杂度和通信时间,分别。

候选人主机的数量会影响总成本的一个集群,我们评估kPP战略能源总成本的影响。假设总虚拟机数量;为候选人主机子集的大小和当地dvf算法的平均运行时间是0.5秒。让一个VM的平均功率消耗瓦特和vm的平均长度秒。kPP算法运行时,MC算法要求候选人主机估计能源消耗;kPP算法的能量消耗在这部分。kPP算法也当一个VM分配和完成,因此这部分的能量,所有虚拟机产生的总能量。因此,能源消费比例(ECR) kPP算法相比,能源总成本

在大规模数据中心,意味着VM的长度可以根据历史数据获得,我们可以仔细选择候选主持人的大小估计卸载一个新的虚拟机的能量变化来增加kPP算法的能量消耗尽可能少。

7所示。实验评价

7.1。评估能力预测

服务器的能源预测的准确性取决于电力预测在不同的利用率和频率。我们已经评估了多处理器功率预测方法通过比较实际功耗估计的功率模型在不同状态为一个特定的主机。真实的实验环境如图4。台服务器R710用于我们的论文的细节如表所示1。我们探索第一台真正的功耗R710和使用七个步骤,当我们评估的权力模式,因为过去的频率非常接近2.39 GHz频率。主人的功耗处理器都是充分利用时频水平2.39 GHz 192瓦特,静态功耗系统不是空闲时110瓦特。比例系数由离线实验获得和校准。

评估多处理器功率预测,我们随机选择了一些频率和两个处理器的使用率和使用权力模型来估计功耗。同时,我们测量台的实际功耗R710服务器具有相同频率的处理器利用率和结果如表所示2。我们使用Aitek敬畏2101功率分析仪测量能力。表2显示估计的功率非常接近相同的服务器的实际能耗利用率和频率不同的处理器。

7.2。收敛速度

在本节,我们比较两种算法的收敛速度和现在的表3和4。报告运行时和迭代时间运行的两种算法合成4和7个四核处理器的频率水平机器12和24 vm是并行执行的。RT和EC表3和4分别代表运行时间和能源消耗。我们可以画出三个明显的结论:(1)SA-based算法迭代显著高于VDS-based算法这意味着更多的迭代可以同期执行;(2)VDS-based算法优于SA-based算法虽然会导致相同的迭代次如果主机配备薮猫处理器;(3)当处理器数量和频率水平相对较小,两种算法收敛迅速和获得接近的结果。和VDS-based算法执行比SA-based算法当处理器的数量很小。这一结论表明,服务提供者可能更喜欢SA-based算法如果他们坚持寻找最佳频率配置。

注意,在这个实验中,我们使用一个非常极端的设置一个四核处理器的主机在哪里执行运行多达24 vm同时,这意味着一个处理器必须负责6平均vm。事实上,真正的数据中心,可以预期,VM的平均数量在一个处理器上远小于6。因此我们的算法可以高效运行VM足以为我们的网上服务调度算法和1秒内获得一个公认的结果接近更多的迭代的结果。

7.3。实验在现实环境

我们真正的实验环境有三个服务器和虚拟机的控制器。电力是衡量Aitek功率分析仪AWE2101。每个R720服务器的细节如表所示1运行kPP算法来预测能源和控制处理器的速度。我们把kPP算法和随机(跑),首先满足(FF)虚拟机调度。的随机计划分配任务处理器随机来自处理器的子集,可以卸载新任务而不引起任何违反QoS要求。的首先满足计划给每个处理器索引和分配任务的处理器最小指数可以卸载新任务而不引起任何违反QoS要求。与此同时,提出了全球分配(MC)也结合默认dvf控制器调控(38)(DEF)在Linux中。两层的节能意识资源管理提出了由MC-kPP。我们比较这六个策略来评估我们的解决方案在节约能源的性能。对于每个VM,它的执行时间之间的均匀随机生成的最低和最大生活时间由和,分别。VM的投标文件的截止时间从1到1.5倍的时间执行时间随机。此外,他们的利用率要求遵循正态分布和。此外,vm的到达时间遵循泊松分布与不同的平均率。

在这些实验中,迭代时间10000 SA-based kPP和1000年VDS-based kPP和邻居VDS-based kPP算法是20。SA-based和VDS-based算法的结果非常接近,所以我们的结果显示VDS-based kPP算法如图5的传说代表不同数量的vm。同时,候选人在MC算法的大小等于服务器的数量。我们可以看到在图5,我们的解决方案可以达到的节能从8%到17%在现实环境与3服务器。

7.4。仿真结果

由于大规模数据中心的无法理解,我们进行模拟评估MC-kPP解决方案在一个更大的集群。我们模型台戴尔R710服务器服务动态到达vm。同时,生成的虚拟机是相同的属性的属性中引入部分7.3。

我们可以看到在图6(一),当地kPP算法可以减少能源消耗的一个特定的服务器相比,调控策略。此外,全球调度算法的影响大于当地dvf控制器的影响在节能应用不同的调度算法。虚拟机在图的长度6 (b)随机生成的均匀和600至7200秒。传说在图6 (b)代表vm的到达率在一分钟。结果显示越来越倾向的节能率的增量VM数字和最好的结果可以达到28%左右。在图6 (c),我们调查vm的长度的影响;vm生成在不同长度的传说所示。如图6 (c)vm时,MC-kPP也可以节省更多的能量变得更加。同时,MC-kPP性能更好当vm的平均执行时间变得更长,因为当地kPP算法本身的影响变得越来越小,频率缩放的效果更加明显。此外,在MC算法子集的大小也调查了在图6 (d);kPP算法的能量消耗在本地机器能源消费总量的0.5%以下时平均执行时间很长。增量的子集的大小,MC-kPP的性能改善,因为更好的服务器可以在更大的规模。我们也评估的有效性MC-kPP不同尺度的数据中心从50到5000服务器到达vm的不同特征。根据图的结果7,MC-kPP优于其他策略在不同尺度的数据中心,可达到节能25%左右。增加主机和虚拟机号码,MC-kPP执行在不同的场景中稳定。

8。结论

在本文中,我们提出一个合作双重节能策略来管理虚拟机分配和调整频率扩展为节约能源。频率扩展算法基于实际功率和能量的预测。全局调度器与本地dvf控制器分配虚拟机并保存整体能量。此外,提供了两种启发式算法搜索最优解决方案,预测最小能源消耗。这两个算法的时间复杂性是可以接受的,根据实验结果满意。最后,真正的实验结果证明MC-kPP的有效性。

符号

:	工作(VMs)的集合jth主机
:	CPU的一组jth主机
:	所有可能的组合频率对cpujth主机
:	对cpu频率的组合jth主机在kth
:	的cpu利用率jth主机在kth前苏联
:	利用cth CPU的jth主机在kth前苏联
:	时间的长度kth前苏联的jth主机
:	当前时间的前苏联的数量jth主机
:	的幂函数jth主机在k前苏联。

信息披露

这是一个大大扩展版的论文发表于ICA3PP 20153]。

相互竞争的利益

作者宣称没有利益冲突。

确认

这部分工作是由中国国家自然科学基金资助下号。61472181,61100197,61202113;江苏省高校自然科学基金批准号下14 kjb520016;江苏省自然科学基金批准号下BK20151392;和jsp KAKENHI批准号16 k00117。这项工作也是部分支持的协同创新中心的新软件技术和产业化。