一个能源和SLA-Aware在云数据中心资源管理策略

文摘

降低能耗数据中心的云提供商的一个重要的方式来提高他们的投资收益率,但他们还必须确保服务交付满足消费者的各种需求。在本文中,我们提出一个资源管理策略来减少能源消耗和服务水平协议(SLA)违反在云数据中心。它包含三个子问题改进方法在动态虚拟机(VM)的整合。让主机检测更有效,提高虚拟机选择的结果,首先,重载的主机检测方法设置一个动态独立饱和阈值为每个主机,分别考虑CPU利用率趋势;第二,充分利用主机检测方法使用多个因素除了CPU利用率和朴素贝叶斯分类器的组合权重计算主机优先步骤;第三,虚拟机选择方法认为当前的CPU使用率和VM的CPU需求的未来发展空间。评估的性能提出了策略,模拟在CloudSim并与五现有节能策略使用实际工作负载的痕迹。实验结果表明,我们的策略优于他人以最小的能源消耗和SLA违反。

1。介绍

云计算(1)彻底改变了IT基础设施的所有权模式通过提供按需供应的弹性资源(2]。由于其灵活性、低延迟和并行处理能力,它已成为一个合适的,在许多领域流行的平台。许多行业巨头,如谷歌、IBM、微软和亚马逊,已经开始把大量人力和财政资源,促进云计算的商业化和相关服务(3]。大量的大规模数据中心已建成世界各地。以来的平均能耗数据中心几乎高达25000家庭的,数据中心的数量的快速扩张必须伴随着能源需求的快速增加。如此高的能源消耗可以直接导致二氧化碳的增加(有限公司₂)排放和数据中心的运营成本4]。在全球变暖的观点和投资回报率降低,高能源消耗的数据中心的问题已引起政府和云提供商的关注。因此,提高能源效率和减少不必要的能源成本已成为行业中的热点和下一代数据中心的主要困难和挑战。

许多轨道解决方案已经解决这个问题(5),但他们的实现是昂贵的,和减少能源消耗是有限的(6]。此外,除了巨大的基础设施的数量和低功率效率,计算资源的低效使用的另一个原因是高能源消耗在云数据中心。通过收集的数据来自五千多个主机6个多月,发现了一个事实,数据中心的主机很少空闲或充分利用,大部分时间,来满负荷的运作(7]。此外,重要的是要意识到空闲的主机使用其峰值功率的消耗。上述数据表明,低效率的资源使用会导致大量的能源浪费。因此,尽管许多显著的改善基础设施,设计有效的资源管理策略来提高资源利用率仍然是必要的和有意义的进一步降低能源消耗的数据中心。

为了解决这个问题,虚拟化技术的能力(8应该充分利用。首先,它允许多个虚拟机(vm)上创建一个主机和映射到不同的消费者,这就增加了吞吐量和数据中心的可伸缩性。其次,它提供了一个功能叫做动态迁移(9];通过这种方式,一个VM可以转换主机之间的接近于零停机时间。动态虚拟机动态迁移的支持下,整合已成为最受欢迎的策略最近在这个领域。VM定期重新分配的动态虚拟机整合方法:一些VM从重载主机迁移到避免性能下降;vm在未充分使用的主机都搬出去关闭这些主机活动主机的数量降到最低。但必须强调,过度的资源利用率可能会影响性能的云服务。例如,资源需求一些VM可能突然增加了很多,和虚拟机动态迁移过程中,资源是被占领的源和目标主机上。维护一个可靠的服务质量(QoS)对云提供商作为消费者支付至关重要的服务。SLA是QoS的具体形式,描述了各种细节向消费者提供的服务水平(10]。迁移和无约束不当VM合并会导致性能下降的VM,然后导致违反SLA。然后,必须支付给客户一个点球,这将增加云提供商的总成本。因此,能源消耗之间的权衡和违反SLA应该发现在VM动态整合策略。

在本文中,我们提出一个能源和SLA-aware基于动态虚拟机整合资源管理策略。它打算提高资源利用率和VM分配在云数据中心的地位,然后可以减少能源消耗,同时满足QoS由云提供商。一般来说,为动态虚拟机整合,四子问题需要认真考虑:(1)重载主机检测;(2)VM从重载主机选择;(3)充分利用主机检测;和(4)虚拟机放置11]。提出的策略包含的方法处理上述子问题。最后,我们运行它与实际负载跟踪CloudSim工具包。此外,这种策略的优越性是证明了与一些现有策略进行比较。提出一些新的和有效的策略使它更合理的参数检测过载和充分利用主机和虚拟机的选择重载主机比现有的策略。具体来说,从以前作品的差异随着我们做出的主要贡献如下(1)重载的主机检测,先前的方法设置一个共同的所有主机上阈值或以主机为基本研究单元获得上层的阈值,这使得他们天真的和不合理的。在我们的方法中,我们引入一个动态独立饱和阈值为每个主机。在计算饱和阈值时的主机,每个VM在被认为是作为调查的基本单位;,等参数的类型和CPU使用率是每个VM,以及虚拟机的数量。因此,添加一个新的主机状态类型,饱和状态。与此同时,该方法考虑了主机的CPU利用率趋势通过引入饱和的程度。(2)而不是仅仅考虑CPU利用率的最前面的重载主机检测方法,一个新的候选人介绍了主机优先指标计算过程在我们的方法。这个指标考虑每个VM的CPU使用率和VM的数量来提高检测的性能。此外,朴素贝叶斯分类器适用于预测指标的变化趋势。(3)为了适应这些变化,我们也提出了一个新的虚拟机选择方法。为了减少能源消耗和SLA违反,我们的方法的基本思想是减少迁移的数量和成本。所以,当前的CPU使用率和vm的CPU需求的未来增长空间考虑,这使得它比以前更全面的工作。

剩下的纸是组织如下。之前的作品节能意识提出了资源管理有关的部分2。部分3是本文的主要部分,详细介绍了我们的战略和相关方法。实验设置中描述部分4。给出了实验结果和分析5。最后,部分6提供我们的研究的结论。

2。相关工作

许多作品做了提供高质量的备餐间以最小的能源消耗在云数据中心除了轨道优化。一般而言,这取决于它们的实现在硬件或软件层面上,主流能源利用资源管理策略可以分为两种类型。

2.1。硬件策略

硬件策略采用并行体系结构,多核架构,电压和频率缩放和动态组件整合和失活减少能源消耗在云数据中心的硬件。上面介绍的dvf是最受欢迎的其中一个(12]。通过使用这种技术,CPU可以动态地调整其性能。具体来说,为了节省能源消耗,CPU将减少时的电压和频率是不充分的利用。dvf改善能源消费问题在某种程度上,但它有一些局限性。方法基于dvf静态和离线,这意味着工作量痕迹应该提前通知,或者利用预测的未来的CPU利用率应该过去一段时间的知识。所以,他们可能不适合使用工作负载跟踪是未知的和不规则的。

2.2。软件策略

大多数的软件策略引入大量虚拟机动态整合方法来优化资源利用率和减少能源消耗以及云数据中心。朱et al。13]研究了动态虚拟机整合自动化资源分配和容量规划的问题。他们设定一个静态的CPU利用率较高的阈值为85%,引入启发式检测方法重载的主机。85%的价值提出了Gmach et al。14)第一次,基于他们的研究的工作量。Beloglazov和Buyya15]VM分配分为两个部分,请求新VM配置和优化现有的VM的当前位置。被认为是一个装箱问题,第一部分,本文解决了通过应用修改最适合减少(MBFD)方法。第二部分,提出四种启发式方法选择虚拟机迁移。这四个方法是单一的阈值(ST),迁移最小化(MMs),最高增长潜力(高压天然气),(RC)和随机选择。与此同时,作者提出了资源管理系统和能源利用分散的架构的虚拟机放置优化三个阶段(16]。阶段VM重新考虑当前的资源利用率,VM虚拟网络拓扑优化和重新分配考虑热状态的主机。他们证明自己比dvf启发式表现得更好。

为了适应变量和未知的工作负载,几个策略专注于采用历史数据的统计分析。Beloglazov和Buyya17]给出一个竞争分析和证明竞争比单一VM迁移和动态虚拟机整合问题。此外,他们提出了一种自适应双CPU利用率阈值方法。在[11),他们以前的工作总结和扩展。动态虚拟机整合的问题分为四个部分,并提出了几种启发式方法为每一个部分。找到重载的主机,有四个统计方法:平均绝对偏差(疯狂),四分位范围(差),当地回归(LR),和当地回归强劲(远程雷达)。最小的迁移时间(MMT),最大相关性(MC),随机选择(RC)提出了处理虚拟机选择的子问题。他们还提出一个简单的方法,充分利用主机检测和使用节能最适合减少(PABFD)虚拟机放置。Arianyan et al。18]介绍一个全面的方法,在云数据中心资源管理过程,即增强优化(EO)。此外,理想秩序的偏好相似技术解决方案(TOPSIS)权力和SLA-aware分配(TPSA)方法提出的资源分配方法。此外,对于充分利用主机检测方法,包括可用容量(AC),迁移延迟(MDL)和TOPSIS-Available容量数字VMs-Migration延迟(TACND)提出。Yadav et al。19]介绍最大负荷最小大小(妈妈)基于主机CPU利用率的统计分析历史VM选择方法。然后,Yadav和张20.]提出一种自适应启发式M估计回归(MeReg)方法来估计使用CPU利用率近代史上CPU利用率阈值。Yadav et al。21)也提出一种新型重载内侧主机检测方法称为最小平方回归(LmsReg)和一个VM选择方法称为最小利用率预测(中)。LmsReg比其他回归技术更健壮。不能认为运行的应用程序的类型和CPU利用率在不同时期。一个multiresource Yadav提出的双门限方法等。22)提出两种回归方法命名梯度Descent-based回归(东德)和最大化相关百分比(MCP)设定一个动态CPU利用率较高的阈值和动态Bandwidth-aware (Bw) VM选择方法。基于一阶马尔可夫链模型,负荷检测方法命名的平均绝对偏差马尔可夫链主机检测方法(MadMCHD)提出的Melhem et al。23找到未来重载和充分利用主机。他们还将马尔可夫预测模型添加到PABFD和提出一个马尔可夫意识到最适合减少虚拟机放置(MPABFD)方法。Ranjbari和Torkestani24]使用学习自动机过载检测(负荷)来预测一个主机的CPU利用率在其历史使用动态数据,并确定它是否超载。

随着人工智能技术的普及,一些人工智能策略提出了给予最优的虚拟机分配,利用各种遗传方法,如神经网络、机器学习、模糊方法。例如,Abd et al。25]提出一种基于dna的模糊遗传方法(DFGA)处理实时任务的动态用户在云数据中心来降低功耗。能源利用虚拟机调度方法名为PreAntPolicy引入段et al。26),它包含一个分形数学为基础的预测模型和一个调度器使用一种改进的蚁群算法。李等人。27首先开发一个multiresource双门限方法。然后,他们将修改后的粒子群优化(MPSO)方法引入到虚拟机重新分配。Ghobaei-Arani et al。28]提出一个VM位置优化方法结合学习自动机理论、相关系数和整体预测模型。然而,这些方法获得需要很长时间学习提供良好的解决方案。周et al。29日]介绍一种自适应three-threshold框架和使用方法命名k - means聚类算法Midrange-Interquartile范围(KMI)三个阈值,然后主机分为四类:少装主机,主机加载,通常加载主机,重载的主机。基于这个框架,他们还提出了两个虚拟机选择方法命名为最大CPU利用率比内存利用率(MRCU)和最低CPU利用率的产物(MPCU) CPU密集型和I / O密集型工作负载,分别命名为VM虚拟机放置方法放置与能源效率最大化(VPME)。

3所示。能源和SLA-Efficient资源管理策略

在本节中,我们提供的详细介绍,提出了能源和SLA-aware资源管理策略。子问题的动态虚拟机整合,它包含三种改进方法完成重载主机检测,充分利用主机检测,和VM的选择。与此同时,它使用现有的虚拟机放置PABFD方法。为了解释整个工作过程的资源管理策略和四种方法之间的关系,我们给一个流程图如图1。图中的缩略词的方法详细的名称在本节的其余部分。

当主机作为重载的评判,一些虚拟机选择放入迁移列表。然而,虚拟机迁移名单上不会被重新分配到所有主机都被发现。相比之下,每次一个充分利用主机标识,有必要立即重新分配所有的虚拟机,然后充分利用主机检测流程为下一个候选人主机可以继续。

为便于参考和理解,表1总结本节中定义的术语的缩写。

3.1。重载主机检测方法

从理论上讲,一个主机只会认定为重载如果所有vm的总CPU需求超过其总CPU容量。但性能下降和SLA侵犯已经不可避免。为了防止这些的发生,提出了重载主机检测方法在实践中通过设置了较高的门槛。当主机的CPU利用率超过这个阈值时,它将被称为过载,其次,一些vm必须迁移到其他主机降低CPU利用率正常。因此,重载的主机检测方法可以避免违反SLA突然增加的CPU需求造成的一些vm。

显然,在重载主机检测过程中,如何确定适当的值上阈值是关键问题。首先,应该注意的是,使用相同的上阈值确定主机的状态是否超载是不合理甚至主机使用相同的配置。因为数量、类型和CPU使用率的vm是不同的。两个极端的例子在图2为了说明使用一个常见的非理性所有主机上阈值。

出于演示目的,实际的CPU容量单位没有使用的例子。阴影区域表示空闲CPU容量。这两个主机和有相同的总CPU容量100,同样上阈值的80%。是唯一的虚拟机吗 ,和最大数量的CPU可以要求的是100。在当下,CPU的使用是90,那么的CPU利用率是90%,比上面的阈值。作为过载和评判必须迁移到其他主机。然而,只要不上创建新的虚拟机 ,即使的CPU使用率增加到最大,CPU需求总CPU容量不会超过其。此外,迁移是不明智的,因为它的CPU使用率是巨大的;首先,这种迁移的时间和成本非常大;其次,它很容易导致过载的目的地主机迁移在下一个时间点。对于这种情况,我们认为保持在就不允许添加新的虚拟机比治疗更好超载。有60 vm上 ,最大数量的CPU可以要求每个VM是100。在当下,每个VM的CPU使用率是1,所以的CPU利用率是60%,小于阈值,然后呢判断为没有过载。然而,如果每个VM的CPU使用率稍有增加,例如1,下一个时间点,CPU需求将增加到120,超过其总CPU容量。然后上阈值是无效的在当下。因此,主机应分别给他们每个人一个独立判断阈值。此外,当主机的CPU利用率超过一定阈值时,它可能不需要虚拟机迁移,就限制创建新的虚拟机可以防止过载。

同样,一个主机的总CPU利用率并不是一个完整的反映了其状态,所以以主机为基本单位的调查上阈值也是不合理的。每个VM在主机的实际情况应该是直接反映在阈值的计算。基于以上考虑,我们引入一个名为饱和度的新阈值阈值( )。每台主机都有自己的私人 ,和动态变化与每个VM主机上的实际情况。之前的计算公式 ,几个概念需要澄清。

3.1.1。VM的最大资源( )

是由一个VM属于类型,它等于最大可用的CPU数量的类型。因为所有VM类型是已知的和固定的,VM的一个已知的固定值。

3.1.2。虚拟机资源分配(VRA)和VM资源分配率(VRAR)

在实际的情况下,为了降低运营成本,而不是分配一个VM,云提供商只分配CPU的数量需要在一个VM使用的时刻。因此,等于一个VM的实际CPU使用率。然后,是计算

3.1.3。VM资源预订(VRR)和主机资源预订(嗯)

每个虚拟机作为一个独立的对象在计算 。根据CPU请求,并使用一个VM, CPU容量的一部分保留在主机对其未来使用。自一个VM是固定的,增加的 ,CPU需求减少,其未来的增长空间,因此,其应该减少。基于这一事实,计算公式给药

的总和年代的vm主机称为 ,虚拟机数量的增加,也增加了。

最后,计算公式给药

在方程(3),缩写代表主机最大数量的资源;总CPU容量,主机可以提供。的定义密切相关的虚拟机数量和每个VM的CPU使用主机,所以使用吗计算的意味着我们也考虑到这两个参数在我们超载检测方法。

如果一个主机的CPU利用率超过它 ,主机被标记为饱和。VM的没有分配给它,主机的CPU容量的一部分,可以由所有vm共享。因此,应该指出的是,立即饱和主机上的虚拟机迁移不需要;它只是不再接受VM分配。

当判断主机是否过载,CPU利用率的变化趋势也是一个参数,是不容忽视的。为了添加这个考虑,一个概念叫饱和程度( )介绍了。这是其CPU利用率超过的程度并且可以计算的

如果一个主机保持饱和及其在不断增加连续监测点(的点是相同的被排除在外),主机的状态将从饱和过载。是一个可调参数,其值可以优化,最后通过实验确定。

的伪代码重载主机检测方法算法所示1。它被称为动态独立饱和阈值(经销)方法。为了得到 , ,和主机的CPU利用率,所有虚拟机将遍历。所以,它们的时间复杂度 。其余的DIST使用数值比较来确定主机是否过载,和时间复杂度 。因此,时间复杂度的DIST一主机 ,在哪里主机上的虚拟机数量,然后,整个重载主机检测过程的时间复杂度为所有主机吗 ,在哪里是指主机的数量。

3.2。充分利用主机检测方法

从充分利用主机迁移所有的虚拟机,然后关闭或设置他们深度睡眠模式是一种有效的方式来增加CPU利用率和减少能源消耗的云数据中心。的检测方法,提出了充分利用主机所有活动主机除了饱和的人应该放到一个候选人主机设置检测。我们首先获得所有候选人主机的优先级,然后试着所有vm从优先级最高的主机迁移到其他不饱和主机同时保持他们不要超载。如果成功完成整个迁移过程,优先级最高的主机被标记为未得到充分利用,并将被关闭或转向深度睡眠模式毕竟VM迁移完成。否则,它将保持活跃。主机将被删除从候选人主机设置后检测。与此同时,一些候选人主机刚刚接受了迁移虚拟机,所以候选人主机和所有候选人主机的优先级应该更新。充分利用主机检测方法不终止,直到没有主机候选集。

在优先级的计算过程中,不同于以往的作品简单地使用CPU利用率的一系列决定其优先级,我们要考虑更多的因素来提高效率。因此,一个名为主机资源占用率(的新指标 )提出了。来解释它,资源占用给出的定义。

3.2.1之上。VM资源占用( )和主机资源占用( )

的总和和一个VM。等于的总和年代的vm主机。

的计算公式是

使用的原因计算一个主机的优先级如下。首先,除了主机的CPU利用率目前,他们的未来可能的CPU需求和最大CPU能力也是优先考虑的关键。其次,重要的是要考虑到虚拟机的数量的优先级计算方法,因为更多的vm主机,概率就越大,它在未来将不会充分利用。综合考虑他们能明显改善充分利用主机检测的有效性。应该注意的是,根据他们的定义,可以同时反映目前的实际CPU使用VM和CPU容量应该保留对其未来使用;有关主机上的虚拟机数量;的计算使用 。因此,使用计算一个主机的优先级比使用CPU利用率无疑要好得多。

此外,变化趋势的影响是另一个重要的因素应考虑优先级计算。具体地说,与近似等于主机值在一个监视点,如果它应该有更高的优先级值可能会减少在下次监视点。我们使用朴素贝叶斯分类器得到的概率减少。然后基于和概率,一个名叫调整主机资源占用率的指标( )提出了。

朴素贝叶斯分类器,我们需要数据形成训练集样本,每个样本的表示维向量 。每一个向量的功能属性和类标签。有可能存在类,所以可以表示为范围 。训练后,对于一个没有阶级的样品标签,分类器将预测,它属于最高的后验概率的类条件对样本向量。

我们打算使用的历史数据预测的概率减少减少下一个监视点,根据朴素贝叶斯分类器,直接法是选择历史数据作为样本的特征向量。假设是 从前面观察监测时间点 ,然后我们得到输入特征向量 。的变化可分为两种类型,减少而不是减少,所以类的范围是什么 。具体来说,类减少和类的状态吗是没有减少的状态。同样,对于简单和高效使用的输入向量 ,向量将转化为向量 使用规则如下方程:

对于一个输入向量 ,我们的目标是计算和 :

类条件概率和可以由以下公式计算:

的概率和可以根据训练样本。 在哪里是类的训练样本的数量吗有价值为其th特性,是属于类的训练样本的数量吗 ; 是类的训练样本的数量吗有价值为其th特性,是属于类的训练样本的数量吗 。特殊情况或是 ,拉普拉斯平滑可以用来解决这个问题。

此外,在(7)和(8),和是类的先验概率,可以估计由以下方程: 在哪里训练样本的总数。

最后,计算在方程(14)。主机与一个更小的应该有更高的优先级:

由于引入的变化趋势的目的只是为了区分优先级的主机约等于多少 ,我们把通过减少它的重量。虽然不能根据公式,我们可以得到和 ,和可视为一个非零常数。此外, ,第二个方程(14)可以转化为以下方程:

在我们的实验中,测量的时间间隔是5分钟,和工作负载数据的最近的一个小时是足够的预测下一个监视点的状态,所以我们让 。为每个预测,我们使用最后一个最近的24测量形成13个样本向量作为训练样本集,所以年代第一批24个监视点等于他们年代。

我们充分利用主机检测方法的伪代码所示算法2。它被称为优先级(CWP)方法结合重量。为了得到的主机,它会遍历所有虚拟机,所以时间复杂度 。其余的CWP使用双重循环来确定如果主持人没有得到充分利用,和时间复杂度 。因此,CWP的时间复杂度 ,在哪里是虚拟机的数量,而是指主机的数量。

3.3。虚拟机选择方法

确定哪些虚拟机迁移从一个重载的主机直接影响迁移的数量和成本,即。,选择不当会导致额外的违反SLA,进而会增加能耗。在我们考虑,一个重载的主机上的虚拟机,一个大和小应优先移民。更大的意味着它会占用大量CPU目前,和小意味着它有更大的增长空间的CPU需求在未来。这个规则使得当前迁移的虚拟机更有意义让主机正常运行在未来,,因此,迁移的数量和总成本将会减少。

考虑到使用两个单独的因素使选择过程困难,最好是找到一个因素可以同时反映了他们两个。显示的定义 ,两个虚拟机相同 ,一个小必须有更大的 。所以,虚拟机与大和应该先选择。的总和和 ,因此,选择应该基于 。总之,较大的VM应该优先选择移民。

该虚拟机选择方法称为迁移的数量和成本最小化(MNCM)方法。每个VM已经获得了在前面的部分,和重载的主机上的所有虚拟机将遍历选择适当的;因此,MNCM的时间复杂度 ,在哪里是虚拟机的数量。

4所示。实验装置

在本节中,模拟器,主机和虚拟机的特点、工作负载数据和性能指标在我们的实验中详细描述。

4.1。模拟器

必须评估提出了能源和SLA-efficient资源管理战略和比较它与以前的作品在大规模数据中心基础设施。然而,实验在一个真正的云数据中心是昂贵和费时的。此外,真正的云数据中心是专有的和无形的消费者。实验结果往往难以再现和分析。此外,网络和数据传输的影响不容忽视,这将导致能源消耗评价不准确。为了解决这个问题,许多模拟器基于建模与仿真技术设计。他们可以提供一个实验环境是非常接近真实的数据中心,他们让你更容易评估和比较不同的资源管理策略。考虑到现代开源CloudSim工具包可以提供可重复的结果检查云战略和有很好的支持能源消耗模式(30.),CloudSim 4.0是选为本文的实验平台。的更多细节CloudSim给出了(31日,32]。

4.2。主机和虚拟机的配置

在仿真中,我们实现一个数据中心,其中包含800异构主机:一半是惠普把G4,另一半是惠普把G5。这两种类型的服务器的具体特征(11表中列出2。在Amazon EC2,我们建立了四种类型的虚拟机,他们的特点11表中所示3。最初,每个虚拟机的资源分配根据其类型定义的资源需求。然后,根据他们的工作量更少的资源分配给虚拟机动态地在他们的一生中,可以创建虚拟机动态整合的机会。

4.3。工作负载的痕迹

使实验更令人信服,有必要使用真正的工作负载数据。本文使用的数据通常来源于项目是想监视基础设施(33]。我们用10天的工作量跟踪收集从800年1000多个vm主机位于世界各地超过500个地方(11如表所示4。这些痕迹特征5分钟间隔的vm的CPU利用率。

4.4。性能指标

节能意识资源管理策略的目标是尽量减少功耗和SLA违反数据中心。来验证其有效性,我们选择能源消耗,违反SLA指标、能源效率、虚拟机迁移的数量,数量的主机关闭性能指标来评估我们的策略。

4.1.1。能源消耗

相比其他资源,比如内存、磁盘存储,网络,它已经表明,宿主主要是消耗的能源消耗的CPU。即使dvf技术应用、主机的能耗可以用线性模型近似的CPU利用率。然而,现代的引入多核cpu,内存大,和大硬盘使传统线性模型不准确,使建立精确的分析模型来描述主机复杂的能源消耗。因此,我们使用能源消耗的实际数据的惠普把G4和惠普把G5不同CPU使用率源自SPECpower基准(下http://www.spec.org/powerssj2008/)。的细节数据如表所示5。

10/24/11。违反SLA指标

违反SLA指标的值是数据中心的关键指标来评估QoS。VM的CPU需求任意变化随着时间的推移,和SLA违规行为将会造成如果主人是超额认购。介绍了两个指标(11)描述违反SLA。他们是每个活动主机SLA违反时间( )由于迁移和性能下降 。虚拟机无法提供与他们的CPU需求如果主人正在经历100%的CPU利用率,所以是违反SLA由于overutilization主机。是虚拟机的性能的负面影响造成的动态迁移过程。他们给出的定义 在哪里和表示主机和虚拟机的数量在一个数据中心,分别;是时候在主机的CPU利用率达到100%;是主人的总活跃时间;的估计性能下降是吗虚拟机迁移造成的,根据Dumitrescu和培养34),它是将10%的CPU利用率在总迁移的时间 ; 总CPU容量要求吗 。

两个指标都是独立的,同样重要的是,违反SLA ( )乘以计算他们在一起

4.4.3。能源效率

一个良好的节能意识应该减少能源消耗和资源管理策略同时进行。然而,这两个指标相互关系的限制,单独使用它们很难给出一个直观的判断是好还是坏的策略是与他人相比。因此,能源效率( )提出了在29日]所示(19)用作其他度量。显然,更大的战略价值表现更好。

4.4.4。数量的虚拟机迁移

VM迁移是一项昂贵的操作,因为它带来了网络数据传输的负担和资源占用两个来源和目的地主机在迁移过程中。

4.4.5。数量的主机关闭

减少数量的开关主机的状态会导致额外的节能数据中心,所以一个小数量的主机关闭的价值代表了策略具有更好的性能。

5。实验结果和分析

在本节中,我们首先出现的影响参数n重载主机检测方法,提出了资源管理策略的性能和确定最优值。然后,我们的策略的性能评估依赖上述指标,和实验结果比较分析了基准策略。

5.1。确定参数的最优值

所3.1节经销,主机的状态将改变从过载如果它保持饱和,饱和在不断增加连续监测点(的点排除保持不变)。从理论上讲,当的价值很小,主机很容易进入超负荷状态,在极端情况下,当等于 ,没有主机属于饱和状态,因为只要一个主机符合标准的饱和状态,它是判断超载和VM选择和迁移过程开始。因此,虚拟机迁移的数量大,违反SLA和能源消耗引起的VM迁移也非常大。的增加价值,越来越少的主机可以改变从饱和与超载状态,虚拟机迁移的数量将减少,所以做违反SLA和能源消耗引起的。然而,当的价值太大,一些饱和状态主机不能及时转化为过载状态VM迁移;然后一些虚拟机的资源请求他们可能不满意,导致增加违反SLA和能源消耗。最后,当超过某一临界值时,所有主机在饱和状态不会成为超载,和VM迁移,违反SLA,能源消耗达到定值和不改变的增加价值。

为了找到最合适的值 ,我们研究它的前三个十想工作负载跟踪和使用指标作为评价标准。的影响在研究了所有指标;然而,为了空间,我们只显示了对能源消耗的影响,违反SLA,能源效率,和虚拟机迁移的数量指标。此外,我们发现,当方法 ,所有的度量指标的值一直非常稳定,和获得的结果是从获得的结果有很大的不同其他值。所以,为了更清楚地显示关键数据,我们得出结果值从来在数据3- - - - - -6,结果当是分别列出在表吗6。

从表6很明显,当是 ,大量的虚拟机迁移发生在所有三组实验,和相应的值和能源消耗也非常大,能源效率较低的值。数据中的数据的变化趋势基本符合我们上面的理论分析。它可以清楚地看到,当从数据增加从来 ,VM迁移数量的值,和能源消耗减少,能源效率值的增加,当 ,四个指标的值趋于稳定。应该注意的是,虽然能耗时基本持平的价值增加从来 ,虚拟机迁移和的值首先在一定程度上减少增加从来 ,然后增加当增加到 。因此,当增加从来 ,先增加然后减少能源消耗,达到最大的时候是 。从上面的描述是清楚的,我们考虑最合适的值减少能源消耗和违反SLA。

5.2。比较基准策略

在本节中,提出的策略是与五现有节能策略使用刺(静态利用率阈值为0.8),LR(1.2安全参数),差(1.5安全参数),疯狂的(2.5安全参数),负荷(0.9安全参数)(24在重载主机检测阶段,分别使用一个简单的方法(SM) [11在充分利用主机检测阶段和MMT在VM选择阶段。此外,我们的战略和比较策略使用PABFD方法在虚拟机放置阶段。五个重载主机检测方法部分中解释2。安全参数是用来控制攻击性巩固vm的这些方法。参数越小,能耗越低,但高水平的SLA违规造成的整合。安全参数的值为每个方法证明是最优选择(11]。在SM,主机与最低CPU利用率相对于其他人将被视为未充分使用如果所有的虚拟机都可以迁移到其他同时保持他们不要超载。MMT选择VM需要最低迁移时间相对于他人。迁移时间估计的RAM数量除以利用可用的网络带宽。PABDF第一排序根据VM CPU利用率不增加订单,然后分配每个VM主机将至少增加造成的权力分配。

在下面,我们使用DIST / CWP MNCM代表我们的策略,和比较策略刺/ SM / MMT, LR / SM / MMT,疯狂/ SM / MMT,差/ SM / MMT和负荷/ SM / MMT。对于每一个策略,实验使用10天的工作负载执行跟踪表中描述4分开。能源消耗的比较,SLA指标,VM迁移的数量,以及这些策略的主机关闭报告数据7- - - - - -10。酒吧图表中的每个值的平均值是十个结果使用10天的数据。

从图7,很明显,该策略具有更小的VM迁移与其他策略相比。具体地说,相对于策略,提出负荷/ SM / MMT的最小差异和LR / SM / MMT有最大数量的不同VM迁移。差异的范围达到了21359年到24929年,还原速度范围为86.74%至88.41%。原因可以解释如下:首先,经销和CWP考虑每个主机的独特性根据vm时的实际情况确定是否超载或没有得到充分利用;饱和主持人第二,在DIST不再接受一个VM分配,这减少了机会就超载和需要VM迁移;第三,除了当前的CPU使用率,MNCM考虑了CPU需求的未来发展空间。这些方法让VM主机检测结果和选择更有效的结果,然后虚拟机迁移的数量减少。

我们可以看到在图8,该战略还主机关闭的数量有很大的优势。自提出策略正确选择充分利用主机和重载的需要迁移虚拟机主机,许多不必要的和不正确的迁移和一些以前的重新启动关闭主机预防。因此,它关闭一个小得多的比其他策略的主机数量。提出的策略相比,LR / SM / MMT的最小差异和差/ SM / MMT有最大数量的不同主机关闭。差异的范围达到了4261年到4954年,还原速度范围为84.28%至86.17%。

为了节省空间,提出策略的比较基准的SLA策略这三个指标都显示在图9。根据研究结果,提出战略斯拉夫人的值小,PDM, SLATAH,相比,负荷/ SM / MMT的最小差异和LR / SM / MMT在SLA指标的最大区别。的范围差异达到2.292 - 4.002,0.28 - 0.44,2.35 - 3.53,的范围减少70.31%到80.52%的利率,43.75%到55%,和46.81%到56.94%。首先,通过引入饱和状态,DIST阻止主机的CPU利用率达到100%;因此,SLATAH减少;其次,提出策略的虚拟机迁移的数量远小于其他策略,然后时间成本和性能退化由于迁移更小;因此,PDM减少。因此,斯拉夫人也减少了由两个指标。

图10描述了对能源消耗的比较不同的策略。值得注意的是,该策略具有更小的能源消耗比其他的价值。具体地说,相对于提出策略,LR / SM / MMT的最小差异和刺/ SM / MMT在能源消耗最大的区别。不同之处在于37.48千瓦时的范围为64.12千瓦时,还原速度的范围是23.16%到34.02%。自提出战略有更小的值以上指标与其他策略相比,和VM迁移和转换主机开/关状态可以产生额外的能源消耗;这个结果很容易理解。

此外,为了看我们的策略在降低能耗的具体效果,我们运行NPA和dvf能耗值作为基准,因为他们不涉及VM迁移。NPA没有使用任何能源管理措施在工作负载处理期间,及其能源消耗为2410.8千瓦时,dvf消耗829.5千瓦小时。相比之下,该策略可以减少能源消耗了94.84%和85.01%。

上面的仿真结果表明,我们的策略,提出了三种方法一起使用会产生更好的性能比其他现有方法的组合。然后演示它们的有效性和可靠性,我们将分别与其他基准组合各种策略的方法。广泛的实验进行测试,但是为了节省空间,只有一个选择的代表和说明结果列出。表7显示了一些实验的结果使用工作负载跟踪4月20日,2011年,LR, SM和MMT作为基准的方法三个阶段的动态虚拟机整合。

第一行是基本策略,第二个第四行策略使用的三种方法之一。从这些结果,提出的三个方法比相应的基准方法。DIST大大减少了斯拉夫人作为主持人介绍了饱和状态,从而防止主机的CPU利用率达到100%;CWP减少几乎一半的斯拉夫人和能源消耗,因为它考虑更多的因素,使用朴素贝叶斯分类器的预测;和MNCM削减近一半的能源消耗,因为它有更全面的考虑选择的vm。而且,更值得注意的是,它们可以被集成。从最后一行中显示的结果,我们的战略,DIST / CWP / MNCM,最好的结果在能源效率比其他组合,也就是说,使用它们可以实现最佳的总体性能。

6。结论

在云数据中心的能源消耗问题,本研究提出了一个基于阈值的能量和SLA-efficient之间做出权衡能耗资源管理策略和SLA侵犯。子问题的动态虚拟机整合,重载主机距离检测方法,充分利用主机CWP检测方法,提出了MNCM和VM的选择方法。受益于这些方法,主机被重载的机会减少,尽可能充分利用主机关闭的。与此同时,虚拟机迁移的数量和主机关闭控制。因此,云数据中心的能源消耗和违反SLA都减少了。仿真实验的结果表明,我们的策略在所有评价指标明显优于对比策略。随着未来的工作,更多的资源类型,如内存和网络带宽,将被认为是除了CPU。此外,我们计划进一步提高我们的策略的性能通过使用机器学习算法基于历史数据来预测未来的工作负载。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了国家自然科学基金(批准号11372067和11372067)和大连的科技创新基金会(批准号2018 j11cy010)。

引用

1. m . Armbrust a·福克斯,r·格里菲斯et al。”在云层之上:伯克利的云计算,“电气工程和计算机科学部门,加州大学伯克利分校伯克利分校,美国,2009年,报告没有。UCB eecs / - 2009 - 28。视图:谷歌学术搜索
2. r . Buyya c . s .杨s Venugopal j . Broberg i Brandic,“云计算和新兴IT平台:愿景、炒作,和现实提供计算第五效用,”未来一代计算机系统,25卷,不。6,599 - 616年,2009页。视图:出版商的网站|谷歌学术搜索
3. m . Tarahomi和m . Izadi prediction-based和节能的虚拟机分配算法在三层云数据中心,“国际通信系统杂志》上,32卷,不。3 p . e3870 2019。视图:出版商的网站|谷歌学术搜索
4. A . Beloglazov r . Buyya y . c . Lee和A . Zomaya”分类法和节能的数据中心和云计算系统的调查,”电脑的发展爱思唯尔,页47 - 111年,阿姆斯特丹,荷兰,2011年。视图:谷歌学术搜索
5. m . Blazek h .庄、w . Loh和j·g·库米”数据中心重新审视:评估能源改造和技术趋势的影响在高密度计算设施,”《基础设施系统,10卷,不。3、98 - 104年,2004页。视图:出版商的网站|谷歌学术搜索
6. j·d·摩尔,j . s .追逐,p . Ranganathan r·k·沙玛,“调度”酷“:temperature-aware工作量布置在数据中心,”诉讼的USENIX年度技术会议,跟踪阿纳海姆,页61 - 75年,CA,美国,2005年4月。视图:谷歌学术搜索
7. 洛杉矶巴罗佐和美国,“energy-proportional计算,”电脑,40卷,不。12日,33-37,2007页。视图:出版商的网站|谷歌学术搜索
8. p .巴b . Dragovic k·弗雷泽et al .,“Xen虚拟化的艺术,“ACM SIGOPS操作系统复习,37卷,不。5,164 - 177年,2003页。视图:出版商的网站|谷歌学术搜索
9. c·克拉克,k·弗雷泽,美国一方面et al .,“虚拟机的动态迁移,”《NSDI 05研讨会会议网络系统设计与实现美国,波士顿,MA, 2005年5月。视图:谷歌学术搜索
10. r . Buyya s . k . Garg和r . n .卡列罗斯”SLA-oriented云计算资源配置:挑战,建筑,和解决方案”学报》国际会议云&服务计算2011年12月,香港,中国,。视图:出版商的网站|谷歌学术搜索
11. a . Beloglazov和r . Buyya”最优在线确定性算法和自适应启发式对能源和性能高效的动态整合云数据中心的虚拟机”并发性和计算:实践和经验,24卷,不。13日,1397 - 1420年,2012页。视图:出版商的网站|谷歌学术搜索
12. n . Khattar j . Sidhu和j·辛格(manmohan Singh)”对节能的云计算:动态电源管理和启发式方法优化技术的调查,“《华尔街日报》的超级计算,卷75,不。8、1 - 61、2019页。视图:出版商的网站|谷歌学术搜索
13. 朱x, d .年轻,b·j·沃森et al .,“1000个岛屿:综合能力和工作负载管理下一代数据中心,”2008年国际会议上自主计算的程序IEEE,页172 - 181年,芝加哥,2008年6月,美国。视图:出版商的网站|谷歌学术搜索
14. d . Gmach j . Rolia l . Cherkasova g . Belrose t·图里奇和a . Kemper”一个集成的资源池管理方法:政策、效率和质量指标,”学报2008年IEEE国际会议与贸易委员会和可靠的系统和网络DCC (DSN)IEEE,页326 - 335年,安克雷奇,正义与发展党,美国,2008年6月。视图:出版商的网站|谷歌学术搜索
15. a . Beloglazov和r . Buyya节能分配虚拟机在云数据中心,”学报》2010年第10 IEEE /集群ACM国际会议上,云计算和网格计算IEEE,页577 - 578年,墨尔本,维克,澳大利亚,2010年5月。视图:出版商的网站|谷歌学术搜索
16. a . Beloglazov和r . Buyya节能资源管理在虚拟化的云数据中心,”学报》2010年第10 IEEE /集群ACM国际会议上,云计算和网格计算,页826 - 831,IEEE计算机协会,墨尔本,维克,澳大利亚,2010年5月。视图:出版商的网站|谷歌学术搜索
17. a . Beloglazov和r . Buyya”自适应基于阈值的方法节能整合云数据中心的虚拟机”学报》第八届国际研讨会为网格中间件,云和e-Science-MGC 10,4页,班加罗尔,印度,2010年11月。视图:谷歌学术搜索
18. 大肠Arianyan、h·塔和s . Sharifian”新型能源和SLA高效的资源管理启发式整合云数据中心的虚拟机”计算机与电气工程47卷,第240 - 222页,2015年。视图:出版商的网站|谷歌学术搜索
19. r·亚达夫•张(george w . bush)、h·陈和t .郭”妈妈:节能意识VM选择方案云数据中心,”《2017年28日国际研讨会数据库和专家系统应用程序(用)IEEE,页132 - 136年,里昂,法国,2017年9月。视图:出版商的网站|谷歌学术搜索
20. r·亚达夫和w·张,“MeReg: energy-SLA权衡总经理绿色移动云计算”无线通信和移动计算卷,2017篇文章ID 6741972, 11页,2017年。视图:出版商的网站|谷歌学术搜索
21. c·r·亚达夫•张(george w . bush), k . Li Liu m·沙菲克和n . k .圆锥形石垒”的一种自适应启发式管理能源消耗和重载的主机在云数据中心,“无线网络1 - 15页,卷。26日,2018年。视图:出版商的网站|谷歌学术搜索
22. r . Yadav, w·张,o . Kaiwartya p·r·辛格中情局Elgendy,和y . c .田,“能源利用自适应算法最小化能量消耗和SLA违反在云计算中,“IEEE访问》第六卷,第55936 - 55923页,2018年。视图:出版商的网站|谷歌学术搜索
23. s b, a . Agarwal n .戈埃尔·m·扎曼,”马尔可夫预测模型用于主机负载检测和虚拟机放置在动态迁移,”IEEE访问》第六卷,第7205 - 7190页,2018年。视图:出版商的网站|谷歌学术搜索
24. m . Ranjbari和j . A . Torkestani”学习automata-based算法对能源和SLA虚拟机在云数据中心的高效整合,“杂志的并行和分布式计算卷。113年,55 - 62、2018页。视图:出版商的网站|谷歌学术搜索
25. s . k . Abd s . a . r . Al-Haddad f . Hashim a·b·h·j·阿卜杜拉和s . Yussof”一种有效的方法来管理功耗在云计算基础设施,“计算机科学期刊21卷,第360 - 349页,2017年。视图:出版商的网站|谷歌学术搜索
26. h .段c曹国伟、g . Min和w . Yu”节能意识的虚拟机调度在异构云计算系统中,“未来一代计算机系统卷,74年,第150 - 142页,2016年。视图:出版商的网站|谷歌学术搜索
27. 李h . g .朱,c .崔y斗,他和c, h . Tang”节能虚拟机的迁移和合并算法在云计算数据中心,“计算,卷98,不。3、303 - 317年,2016页。视图:出版商的网站|谷歌学术搜索
28. m . Ghobaei-Arani A . A . Rahmanian m·沙姆西基地和A . Rasouli-Kenari“学习型方法虚拟机放置在云数据中心,“国际通信系统杂志》上没有,卷。31日。8 p . e3537 2018。视图:出版商的网站|谷歌学术搜索
29. Chowdhury z, j . Abawajy m . et al .,“违反SLA和功耗最小化使用能源利用自适应算法在云数据中心,“未来一代计算机系统卷,86年,第850 - 836页,2018年。视图:出版商的网站|谷歌学术搜索
30. a . Beloglazov j . Abawajy, r . Buyya”节能意识有效管理资源分配启发式的云计算数据中心,“未来一代计算机系统,28卷,不。5,755 - 768年,2012页。视图:出版商的网站|谷歌学术搜索
31. r . n .卡列罗斯r .野生动物,a . Beloglazov c·a·f·德玫瑰,和r . Buyya”CloudSim:工具包对于云计算的建模和仿真环境和资源配置的评价算法,”软件:实践和经验第41卷。。1,23-50,2011页。视图:出版商的网站|谷歌学术搜索
32. r . Buyya r .野生动物,r . n .卡列罗斯”可伸缩的云计算环境建模与仿真和CloudSim工具包:挑战和机遇,”《2009年国际会议上高性能计算和仿真IEEE,页1 - 11,2009年6月,德国莱比锡。视图:出版商的网站|谷歌学术搜索
33. k .公园和v . s .派”,通常,”ACM SIGOPS操作系统复习,40卷,不。1,第74 - 65页,2006。视图:出版商的网站|谷歌学术搜索
34. c . l . Dumitrescu和培养,“GangSim:模拟器电网调度研究”2005年CCGrid学报》上。IEEE国际研讨会集群计算和网格IEEE,页1151 - 1158年,威尔士,英国,2005年5月。视图:出版商的网站|谷歌学术搜索

版权

版权©2019气Zhang et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。