汪 蓉

(湖北科技學院 計算機科學與技術學院，湖北 咸寧 437100)

云計算環(huán)境下虛擬機資源均衡調(diào)度方法探析

汪 蓉

(湖北科技學院 計算機科學與技術學院，湖北 咸寧 437100)

云計算是對信息互聯(lián)網(wǎng)服務的增值和升華，它改變了傳統(tǒng)的靜態(tài)服務與固定有限的服務空間。資源調(diào)度和作業(yè)調(diào)度作為云計算中兩個關鍵技術，雖然領先于業(yè)界但還存在缺陷，比如其任務執(zhí)行的透明度等等。隨著如今數(shù)據(jù)信息中心規(guī)模的不斷擴大和云端用戶數(shù)量的持續(xù)增加，如何巧妙調(diào)整虛擬機用戶任務時間，從而最有效率的完成云計算資源均衡調(diào)度是需要認真對待和研究的課題。本文根據(jù)云計算的特點與節(jié)能機制，探討了虛擬機調(diào)度的相關模型和具體算法。

云計算；虛擬化；資源均衡調(diào)度

云計算如今已經(jīng)得到了社會的全面認可，逐漸從研究轉(zhuǎn)向應用，大量的云服務平臺也應運而生。云服務的基本核心技術理念就是如何為廣大云端用戶分配虛擬機資源并將它們調(diào)度到相應的物理節(jié)點上，這就是虛擬機資源均衡調(diào)度。

一、虛擬機資源調(diào)度

(一)虛擬機調(diào)度模型

為了實現(xiàn)在不同物理機上的資源共享，云計算會運用虛擬技術來映射大量來自數(shù)據(jù)中心的物理資源到虛擬機層上，這種方式就是一種虛擬機對數(shù)據(jù)資源的調(diào)度，而將虛擬化后的資源分配給虛擬機進行部署，就叫做資源分配。上述過程都是為了保證云端用戶擁有更好的共享資源品質(zhì)和系統(tǒng)性能。

虛擬機資源的調(diào)度與均衡運作流程相當復雜，它首先需要接收云端用戶來自于Internet的請求，云數(shù)據(jù)中心會通過Google或MapReduce處理框架對請求任務進行技術處理。處理后的信息就可以通過虛擬機調(diào)度來實現(xiàn)對用戶信息的回饋。虛擬機的調(diào)度可以分為兩級調(diào)度，其中一級調(diào)度主要對任務數(shù)據(jù)和虛擬機節(jié)點進行匹配，從而滿足對目標任務的優(yōu)化和對虛擬機節(jié)點的映射；二級調(diào)度即虛擬機的部署工作，虛擬機在部署資源時并不影響物理機上任務的執(zhí)行。在二級調(diào)度中必須保證映射的合理性，因為它可以直接影響系統(tǒng)的性能和對用戶的服務質(zhì)量。

(二)虛擬機調(diào)度目標

不同的虛擬機調(diào)度目標體現(xiàn)了不同的計算算法和資源調(diào)度方式，之所以要對虛擬機進行調(diào)度，最大的目的就是提高資源的利用率，但是這并不是虛擬機調(diào)度的唯一目標，為了大規(guī)模開發(fā)云計算平臺，就必須大規(guī)模拓展虛擬機調(diào)度目標，強化它的調(diào)度功能，使資源調(diào)度明確化、透明化、實用化。

第一，虛擬機調(diào)度的目標應該是為了高質(zhì)量的服務，即QoS(Quality of Service)。云端用戶重視云服務質(zhì)量是毋庸置疑的，所以他們追求高效率和無差錯的虛擬資源調(diào)配。云服務應該根據(jù)QoS來制定虛擬機資源調(diào)度規(guī)則，最大限度的縮短虛擬機資源及任務調(diào)度時間，讓用戶滿意。

第二，云數(shù)據(jù)中心由于要承載大量的數(shù)據(jù)傳輸、計算、分析和管理，所以會產(chǎn)生大量能耗，例如供電與制冷等等，這也是云服務平臺的主要成本投入之一。為了節(jié)能降耗，基于云計算環(huán)境下的虛擬機調(diào)度就一定要考慮整個系統(tǒng)平臺的能源消耗，目前比較常見的節(jié)能降耗方法是減少虛擬資源分配節(jié)點來降低設備能耗[1]。

二、虛擬機資源調(diào)度優(yōu)化算法——蟻群優(yōu)化算法

(一)蟻群優(yōu)化算法概述

蟻群算法是一種20世紀興起的種群智能仿生優(yōu)化算法，它的中心思想汲取于現(xiàn)實生活中螞蟻族群的行為特性，是一種模擬蟻群覓食的生活方式來對問題加以解決的。蟻群優(yōu)化算法之所以會被采用，是因為它的魯棒性強，而且采用分布式計算機制，與其他算法具有親和性，是一種具有啟發(fā)特性的蟻群模擬進化算法。但是涉及到虛擬機的資源調(diào)度策略則相對較為淺薄，所以本文的主要目的就是利用蟻群優(yōu)化算法來為基于云計算環(huán)境下的虛擬機資源調(diào)度均衡策略進行演算和規(guī)劃，提出這種基于蟻群改進算法的資源調(diào)度算法，希望能夠滿足用戶與云服務平臺之間的服務承諾。

(二)基于改進螞蟻系統(tǒng)的虛擬機資源調(diào)度算法

所謂螞蟻系統(tǒng)(Ant System,AS)就是一種產(chǎn)生于20世紀90年代的蟻群算法。它能夠解決例如(Traveling Salesman Problem)旅行商問題，計算出城市與城市之間的最短距離，即為旅行商尋求最短的通商捷徑，這與蟻群覓食尋找食物到蟻穴的最短路徑是同樣道理。該算法是基于Map/Reduce框架而得出的，它的節(jié)點主要有兩個，Master節(jié)點和Worker節(jié)點。其中Master節(jié)點會劃分來自于用戶的任務請求，將其劃分為多個任務為Worker提供節(jié)點。而Worker節(jié)點則負責完成Master所分配的各項任務。因為Worker節(jié)點屬于虛擬機節(jié)點，所以它對虛擬機資源的調(diào)度均衡具有實際意義。而且借助蟻群算法的強魯棒性和優(yōu)秀分布性，所以在Map/Reduce的框架下尋找虛擬機資源則相對容易。

1.信息素的初始化

信息素是衡量虛擬機硬件資源節(jié)點的重要元素，這其中包括對CPU處理能量p的衡量、外存容量h、內(nèi)存容量r以及帶寬容量b，通過公式對各個參數(shù)進行閾值設定，并統(tǒng)一進行閾值計算。

mmax=m0，pmax=p0，rmax=r0，hmax=h0，bmax=b0

由以上閾值來計算出各個硬件資源節(jié)點的信息素 ，所以由此我們可以計算出各個硬件資源節(jié)點上的信息素帶權(quán)和為：

τi(0)=aτif(0)+bτif(0)+cτif(0)+dτif(0),

a+b+c+d=1

在計算完帶權(quán)和之后就要進入下一步驟，即螞蟻選擇的下一跳節(jié)點，下一跳節(jié)點的選擇基準為資源調(diào)度概率最大的鄰居節(jié)點，即：

2.下一跳節(jié)點

在公式中，螞蟻節(jié)點i表示了下一跳節(jié)點j的基本概率，而τj則表示了節(jié)點i在觀察到節(jié)點j上的信息素濃度，這里m即為i的鄰居節(jié)點，Ns則表示螞蟻的路徑節(jié)點集。α、β是調(diào)節(jié)因子，它們能夠代表τj和Aj之間的關系。

3.基本算法

在基于改進AS算法的虛擬資源調(diào)度算法中，首先要將Worker節(jié)點的全部信息素進行始化，向Master節(jié)點提交用戶請求任務信息。然后將Master節(jié)點取出并在隊列中列為第一個請求任務作業(yè)。如果假設該任務作業(yè)由m個任務組成，那么Master節(jié)點就應該發(fā)送n*m個螞蟻，如果n是一個參數(shù)，那么螞蟻的數(shù)量就與任務數(shù)量呈倍數(shù)關系存在。定時器歸零后，Master節(jié)點就會收回所有螞蟻，然后將任務分配給所有螞蟻并找到有效的虛擬機資源節(jié)點。每個任務分配到每個有效節(jié)點上之后任務就基本完成，接下來會對有效節(jié)點進行相關的信息素修改，最后重復此過程，直到所有用戶請求任務全部分配完成[2]。

三、基于節(jié)能降耗的虛擬機調(diào)度算法

基于節(jié)能降耗的虛擬機調(diào)度算法首先要求云計算平臺的物理服務器能夠提出一個電能消耗模型，保持在規(guī)定時間內(nèi)對物理服務器的電能總消耗，從而生成節(jié)能模型。本文簡單探討一下虛擬機的遷移策略。

(一)虛擬機遷移策略

選擇應用于遷移功能的虛擬機后，利用MBFD算法把已選擇的虛擬機遷移到其他主機上，并利用虛擬機的最小化遷移策略來選擇節(jié)點CPU，當CPU的利用率超過上界閾值時就要選擇數(shù)量最小的虛擬機進行相應遷移。另外，如果是隨機選擇策略則要利用CPU利用率在超過上界閾值時，隨機選擇部分虛擬機進行相應的資源信息遷移。如下列公式：

P(u)=k*Pmax+(1-k)*Pmax*u

公式中，Pmax表示服務器在滿負載時所消耗的所有電能，k表示服務器在空閑時所消耗的電能所占Pmax的整體比例，而u表示CPU的利用率，所以該遷移策略的時間函數(shù)t為：

(二)以節(jié)能為信任驅(qū)動的啟發(fā)式調(diào)度算法

利用節(jié)能為信任驅(qū)動的啟發(fā)式調(diào)度算法可以為云服務節(jié)省能耗，從而提高服務效率和質(zhì)量。本文提出一種基于TD Energy-aware-Opt算法的虛擬機初始化算法，它的驅(qū)動即為以節(jié)能為目的的信任虛擬機調(diào)度算法機制。將這種算法應用于虛擬機中電能消耗最少的主機上，隨后利用信任驅(qū)動的虛擬機調(diào)度算法，就可以為用戶所提交的任務分配虛擬機資源，完成對用戶任務的執(zhí)行。其算法主要步驟如下：

首先是主機列表與虛擬機列表的輸入，然后對虛擬機與主機的映射結(jié)果allocation進行輸出，計算出CPU的利用率降序排列。在這其中，常量MAX值會反映給變量minPower，而變量allocatedhost則選擇為空。

其次將主機上的資源分配給虛擬機，預測主機與虛擬機的電壓值，并把預測后的結(jié)果給變量power。如果給變量power<常量給變量minPower，那么就把主機資源分配給allocatedhost，而把變量power值分配給minPower，最后返回最終的映射結(jié)果allocation。

TD Energy-aware-Opt啟發(fā)式算法基于以節(jié)能為信任驅(qū)動的模式進行計算，對于云計算平臺的電能消耗節(jié)約具有現(xiàn)實意義，同時，它也驗證了信任QoS、性能QoS以及電能消耗等方面的合理有效性[3]。

四、結(jié)語

總體而言，云計算作為一種新型的商業(yè)計算及服務模式，是一項具有科學技術發(fā)展里程碑式的先進技術。本文僅就云計算中虛擬機的資源分配，以及節(jié)能環(huán)保條件下的虛擬機資源均衡調(diào)度作出了淺顯的分析。希望在未來，圍繞提高資源使用效率這一核心話題對虛擬機的資源調(diào)度與均衡作出更進一步的挖掘與研究。

[1]殷小龍.云計算環(huán)境下的虛擬機調(diào)度策略研究[D].南京：南京郵電大學,2014.

[2]姜永.云計算環(huán)境下虛擬機調(diào)度策略研究[D].北京：北方工業(yè)大學,2014.

[3]劉永.云計算環(huán)境下虛擬機資源調(diào)度策略研究[D].濟南：山東師范大學，2012.

2095-4654(2015)10-0004-03

2015-08-19

TP311

A