李爽 �k��
摘要：云计算是大量的虚拟化的计算机资源的服务节点，如何管理基于节能型和服务型的动态可扩展资源已成为一个重要的问题。针对这一目的，综合大量前期工作，提出了一种改进的遗传算法，并构造系统模型，通过使用CloudSim（云计算仿真软件）和CloudAnalyst（云分析软件）进行定性和定量的数据分析。同时也与传统的动态电压和频率缩放 （DVFS） 做了比较，通过数据验证证明出利用服务质量感知对虚拟机的节能管理在响应时间、能源消耗、虚拟机迁移数量及合并适应性方面都起到改进作用。表现为在相同功率条件下，新方法能降低用户请求的响应时间，进而提高了用户的服务质量；在相同的响应时间内，新方法又能有效的降低能量功耗。这些改进都能提高用户对服务质量的满意度，同时也为未来使用并行计算技术打下了基础。
关键词：云计算； 负载平衡； 节能感知；资源分配；CloudSim；CloudAnalyst
中图分类号：TP39文献标识码：ADOI：10.3969/j.issn.10036199.2017.01.031
1简介
云计算的发展基于面向服务的体系结构、 网格计算、 并行计算和分布式计算等，这是一个新的脱颖而出的模式，是以高效的为用户提供服务为前提的模式[1]。由于它的如基础设施服务 ，平台即服务和软件即服务的卓越性能，云计算被人们广泛的接受并使用。通过不断提高了用户的使用效率，同时向不同的消费层次提供各项服务，云计算环境已经成为数据中心的主要力量。
云計算中降低数据中心的能源消耗是一个具有挑战性且复杂的问题，这需要性能卓越的服务器。节约能源对于确保未来云计算是可一种持续的资源是相当必要的[2]。近些年绿色计算的宣传提出解决这一问题的很多办法，其中许多工作基于功率效率（电源效率）展开，如节能处理器，硬件支持DVFS技术等，也有其他方法来降低虚拟数据中心的能源消耗[3]。通过虚拟化技术可实现软件应用与底层硬件相隔离，它包括将单个资源划分成多个虚拟资源的裂分模式，也包括将多个资源整合成一个虚拟资源的聚合模式[4]。当虚拟机上运行的移动信息从一个网络节点到另一个网络节点时，需要应用虚拟机的快速迁移技术来平衡工作所产生的负载。
虚拟机管理是提高云计算数据中心效率的关键问题。许多研究工作都围绕这个问题展开，不同的资源分配策略会导致不同的成本和效率水平[5]。因此，如何找到一个高效的资源分配策略，特别是针对有限的能源的分配，同时消耗较低的能源消耗，这是一项艰巨的任务。
这篇文章当中，我们提出了一种改进的遗传算法，该算法重点研究考虑网络延迟和能源消耗的动态资源管理。我们认为在云计算环境中的用户的服务质量是非常重要的，因此应答时间也是这个实验的关键点。这篇论文的贡献在于以下俩点：第一，在相同功率条件下，我们的方法降低了用户请求的响应时间，提高了用户的服务质量；第二，在相同的响应时间内，我们的方法又能有效的降低能量功耗。
计算技术与自动化2017年3月
第36卷第1期李爽：基于云计算服务质量感知的虚拟机节能管理研究
2研究背景和相关工作
在云计算中，能量感知一直是研究的一个重点内容。近期的研究方式是通过关闭不活跃的服务器来达到节约能源的作用。文献[6]定义了一个高效节能云计算解决方案的体系结构框架和原则，然后又介绍了高效节能管理的虚拟机分配算法。王晓莹等[7]提出的资源分配和使用可变时工作负载和异构多级应用的能源管理的自适应模型方法。根据文献[8]的论述，该作者使用新的自适应粒子游动来优化的虚拟机配置，以使空闲服务器的处于省电状态。
很多工作围绕负载平衡结合若干的途径能解决节约能源的问题。前人通过使用关闭计算机电源的方法并不能起到根本的作用，且此种做法只能在理论层面实现。在文献[11]中，作者建议使用局部优化的随机爬山算法来动态分配进入服务器和虚拟机的工作。文献[12]解决了在云计算环境下基于使用映射-规约编程模型的资源管理问题。赵剑锋等人的论文[8]将资源调度模型转化为具有负载均衡目标的有向化多背包问题。文献[14]提出了一种资源调度模型，它使用的概念资源服务比率作为目标函数，而不是任务完成时间，然后采用分布估计算法（EDA）做了验证。研究者通过大量的实验证明了他们提出的调度模型比EDA的资源服务比率算法的效率平均提高了至少1.004，最多1.793倍。
3利用改进遗传算法的资源配置
为了节约能源和提升用户的响应时间，在这部分中，我们首先描述一个系统的模型，然后我们介绍能源损耗的定义，最后，我们提出一种采用改进能量功率的遗传算法的优化算法。
3.1系统模型
本文定义的系统模型与以往有俩种不同：首先，不同于大多数的节能系统如在文献[6][7]中提到的，注重考虑CPU和RAM的负载平衡，本文着重从用户方面考虑网络延迟和应答时间；第二，云计算可以跨越不同的地理数据中心，所以与文献[10]认为数据中心是一个单一的物理位置不同，我们假设数据中心分布在多个地区。
在本文的系统模块中，数据中心层是由不同地区的物理网络连接的，如图1。每一个地区的数据中心一般是由N台如计算机、服务器这样的等独立机器组成的节点集，这些个独立的机器集合被描绘成集合 P= {pm1， pm2， … ， pmN}。这些节点集的通讯是通过全互联通讯子系统（如图1）连接的。节点集中每一台节点机器都是独立的，可以单独的打开或关闭。在每一台机器上，都安装了基于内核的虚拟机虚拟化软件，可以运行N个独立的虚拟机管理程序集，这个集合被表示为集合V= {vm1， vm2， …， vmM}。在这个模型中，个人机上面运行的虚拟机管理系统可以被终止、重启、或从其他个人机集合中迁移。如图1中的虚线所示，就像在许多系统中，当执行一个接收资源的任务时，消息可以从一台机器传播到另一台机器。当虚拟机管理集向其他地区移动的时候，我们的模型需要考虑延迟时间。
4实验结论
在这部分中，我们以云分析（cloudAnalyst）基准的评估价值来测量相应时间和能量消耗。
4.1实验环境和设置
考虑到CloudSim和CloudAnalyst是在公开资源已被广泛的使用开放源码，我们选择它们作为基准来仿真实际执行的情况。CloudSim [12]支持新兴的云计算领域的研究和开发，并提供了以下新的特点：（1）支持大规模的云计算基础设施的建模和仿真，包括一个单一的物理计算节点上的数据中心；（2）它是一个用于数据中心建模，代理服务器，调度和分配政策的独立平台。CloudSim众多的特性中有如下俩点是本次实验的基本点：（a）有助于创建和管理多个、独立的和共同托管的虚拟化服务在数据中心节点上的虚拟化引擎的可用性。（b）在处理内核的空间共享和时间共享分配之间切换到虚拟化服务的灵活性。CloudAnalyst[13] 是墨尔本大学开发的研究项目，目的是根据用户和数据中心的地理分布，去评估社交网络工具的支持率。在这个项目中，用户群和支持社交网络的数据中心都是有一定特点的，那就是都基于他们的位置；而用户体验的参数，是可以通过使用社会网络应用程序和数据中心的负载来获得的记录[14]。
在这个实验中，我们设置了六组用户基数（如表1）。其中“Name”列代表世界六大洲，在不同地区每组用户都是包含在同一个时区，而且每一分钟都会发出新的请求。峰值的时间从3到9。这里假定为十分之一的时间是在非繁忙时间的线路上。每个模拟数据中心的主机由5台虚拟机机构成，配置了512M的内存，10G存储和1000兆的带宽。
4.2实验结果与分析
如4.1部分中提到的场景和配置，我们的模拟实验从两个方面着手：第一、我们证明了网络延迟影响用户的响应时间。第二、我们的算法与DVFS[15，16]从相应时间，能量消耗，虚拟机集的数量和合并适应性方面进行比较
为了在用户响应时间方面提高服务质量，我们分三种情况监测：首先，我们使用一个0区域的数据中心DC1，我们得到的结果总体平均响应时间是292.05毫秒，数据中心处理时间是0.28毫秒。第二，我们使用区域0、1、2的三个数据中心作为用户基数区域，结果如图3（a）所示。最后，我们在每个区域都部署一个数据中心，结果如图3（b）所示。通过这个实验，我们可以得出结论：
（1）当数据中心虚拟资源的数量减少时，响应时间可以大大减少；同时，处理器处理任务的时间不会节省很多。
（2）能源消耗与任务完成时间不成比例。根据以往的经验，我们假设一个毫秒的能量消耗是k，那么平均的能源消耗应该是292.05k < 158.72k*3 （图3a） >50.08k*6 （图3b）。
图3（a）使用三组数据中心
图3 （b）使用六组数据中心
图3实验结论对比图
本文算法与DVFS算法的比较，如图4所示，a图是响应时间，b图是能量的消耗，c图是虚拟机迁移的数量，d 是合并适应性。我们模拟实验的结果比其他两种方法节约了更多的能量，尤其体现在：
（1）通过图4（a）中所示，第1组和第2组测试，我们的算法与DVFS几乎有相同的响应时间，主要原因是因为在开始的虚拟机集中的数据量比较少；在第3组和第4组数据中，我们的算法的响应时间高于DVFS；在接下来的实验中，我们的算法比DVFS慢了一些，主要是因为虚拟机集在不同地区迁移，而DVFS并没有考虑这个因素的影响，所以当小云朵的数量增加到2000的时候，DVFS算法的响应时间下降了。
（2）通过图4（b）的表示可知，我们的算法比DVFS节约更多的能源，当虚拟机集的数量比较大的情况下，我们的算法优势明显。
（3）通过图4（c）中描述，我们的算法数据迁移的数量更少。
（4）通过图4（d）中的结果表明，在合并适应性方面，我们的算法胜过DVFS算法。
（a） 响应时间
（b）能量消耗
（c）虚拟机迁移数量
（d）合并适应性
图4本文算法 与DVFS算法比较图
5结论和展望
在这篇论文中，提出一种在云环境下优化分配动态资源的方法。主要工作集中于在云计算中的能量和响应时间，在CloudSim应用和CloudAnalyst基准的帮助下，我们证明了该算法的优势所在。根据我们的实验数据，我们的实验有俩点优势：它在减少数据中心的能源消耗以及给云计算提高绿色平台方面起到了重要作用，第二，我们使用负载平衡改进了响应时间。这个工作也主要考察了能量消耗和响应时间，我们未来的工作主要将在研究性能集成其他参数，如CPU、内存和网络。此外，未来我们将使用并行计算技术改进我们的方法。
参考文献
[1]李小六，虚拟化云计算数据中心能量感知资源分配机制[J]，计算机应用，2013，33（ 12），86-90 .
[2]王金海，一种基于能量感知的云计算环境下虚拟机部署策略[J]，新疆职业大学学报，2014，22（1），73-76.
[3]英昌甜，云计算环境下能量感知的任务调度算法[J]，微电子学与计算机，2012，29（5），188-192.
[4]钟潇柔，基于动态遗传算法的云计算任务节能调度策略研究[D]，哈尔滨工業大学，2015.
[5]侯伟，云计算中基于遗传算法的能效管理研究[D]，武汉理工大学，2013.
[6]BELOGLAZOV A，ABAWAJY J，BUYYA R.Energyaware resource allocation heuristics for efficient management of data centers for Cloud computing[J].Future Generation Computer Systems， Volume2012，28：758-760.
[7]WANG Xiaoying DU Zhihui，CHEN YiNong .An adaptive modelfree resource and power management approach for multitier cloud environments[J].Journal of Systems and Software，2012，85：163-168.
[8]JEYARANI R，NAGAVENI N，VASANTH R R，Design and implementation of adaptive power-aware virtual machine provisioner （APA-VMP） using swarm intelligence[J].Future Generation Computer Systems， Volume，2012，28：811-821.
[9]SHARIFI M，SALIMI H，NAJAFZADEH M.Powerefficient distributed scheduling of virtual machines using workload-aware consolidation techniques[J].Journal of Supercomputing，2012，1（61）：46-66.
[10]MONDAL B，DASGUPTA K，DUTTA P.Load balancing in cloud computing using stochastic hill climbing-a soft computing approach[J].Procedia Technology，2012， （4）：785-786.
[11]HUANG Chennjung，GUAN Chihtai.An adaptive resource management scheme in cloud computing[J].Engineering Applications of Artificial Intelligence，2013， 26（1）：382-389.
[12]WANG Rui，BAI Qinghua，BAI Youjia，et al.Research on Semantic Metadata Model for Information Resource Management under Cloud Computing Environment[J].JCIT： Journal of Convergence Information Technology，2012，7（21）：658-661.
[13]CHEN Danwei，ZHANG Ji，XUE Qinghan.Virtual Resources Scheduling Model for Cloud Computing[J].JCIT： Journal of Convergence Information Technology，2012，7（23）：658-661.
[14]ZHAO Jianfeng，ZENG Wenhua，LIU Miu，et al.A model of Virtual Resource Scheduling in Cloud Computing and Its Solution using EDAS[J].JDCTA： Journal of Convergence Information Technology，2012，6（4）：105-107.
[15]The CloudSim Team， http：//www.cloudbus.org/cloudsim[DB/OL].2009.
[16]葉可江，吴朝辉，姜晓红，等， 虚拟化云计算平台的耗能管理[J].计算机学报，2016，（6）：1264-1279.
