鄧志龍, 段哲民, 李劉濤

?

OpenStack環(huán)境下的資源動(dòng)態(tài)調(diào)度研究

鄧志龍1,3, 段哲民1, 李劉濤2

摘要：針對(duì)云計(jì)算平臺(tái)中資源調(diào)度問(wèn)題,提出了基于OpenStack的虛擬機(jī)動(dòng)態(tài)調(diào)度算法。算法主要采用了基于節(jié)點(diǎn)負(fù)載的上線和下線觸發(fā)策略和以提高服務(wù)質(zhì)量和減少遷移成本的待遷移虛擬機(jī)選擇策略.為了避免群聚效應(yīng),維持系統(tǒng)的負(fù)載均衡,通過(guò)計(jì)算虛擬機(jī)對(duì)節(jié)點(diǎn)的需求度來(lái)衡量虛擬機(jī)與節(jié)點(diǎn)間的匹配度,利用匹配度制成概率輪盤的目的節(jié)點(diǎn)的選取策略。最后結(jié)合云計(jì)算仿真平臺(tái)CloudSim對(duì)算法工作的情況進(jìn)行模擬,驗(yàn)證了算法的調(diào)度質(zhì)量。

關(guān)鍵詞：云計(jì)算;資源調(diào)度;負(fù)載均衡

伴隨著網(wǎng)格計(jì)算(grid computing)、面向服務(wù)(service-oriented)及虛擬化(virtualization)等技術(shù)的發(fā)展與進(jìn)步,云計(jì)算在理論及技術(shù)上得到了強(qiáng)有力的支持和推進(jìn),逐漸成為人們關(guān)注的焦點(diǎn)和未來(lái)計(jì)算模式的發(fā)展趨勢(shì)。

目前,越來(lái)越多的應(yīng)用服務(wù)提供商和中小型企業(yè)把應(yīng)用部署到云平臺(tái)上,云平臺(tái)數(shù)據(jù)中心的數(shù)據(jù)逐漸增多,需要的服務(wù)器也逐漸增多,但是資源利用率不高的現(xiàn)象卻普遍存在于云數(shù)據(jù)中心。如何提高資源利用率、維持系統(tǒng)的負(fù)載均衡以及減少能量消耗,已逐漸成為各企業(yè)在搭建云平臺(tái)時(shí)重點(diǎn)考慮的問(wèn)題。本文結(jié)合當(dāng)前流行的開(kāi)源云平臺(tái)OpenStack,對(duì)OpenStack中的資源調(diào)度算法進(jìn)行了研究,在此基礎(chǔ)上提出了基于OpenStack的虛擬機(jī)動(dòng)態(tài)調(diào)度算法,來(lái)維持云平臺(tái)系統(tǒng)運(yùn)行過(guò)程中的負(fù)載均衡,同時(shí)減少能量消耗。

1OpenStack的調(diào)度策略分析

在基于OpenStack搭建的私有云或者公有云中,往往都支撐著一系列具體服務(wù)的運(yùn)行。平臺(tái)數(shù)據(jù)中心負(fù)載往往很高,所以需要加入許多物理服務(wù)器來(lái)組成資源池以滿足上層的服務(wù)需求。如何分配和使用這些資源,涉及資源調(diào)度的問(wèn)題,在OpenStack構(gòu)架中scheduler模塊負(fù)責(zé)解決該問(wèn)題。圖1為OpenStack中Nova compute的結(jié)構(gòu)圖。

圖1　Nova compute結(jié)構(gòu)圖

在Nova中,scheduler的實(shí)現(xiàn)機(jī)制是:從AMQP(高級(jí)消息隊(duì)列協(xié)議)隊(duì)列中接收一個(gè)RPC消息,再根據(jù)調(diào)度策略將消息轉(zhuǎn)發(fā)給其認(rèn)為最合適的compute節(jié)點(diǎn)。Nova調(diào)度器支持多種可能的因素來(lái)決策,比如compute負(fù)載、內(nèi)存使用率等,在Nova中使用比較多的是FilterScheduler調(diào)度器。FilterScheduler調(diào)度器的處理大致可以分為2個(gè)步驟:過(guò)濾(filtering)和權(quán)衡(weighting)。據(jù)指定的過(guò)濾方法(比如在指定的可用區(qū)域額內(nèi),CPU使用率小于5%,內(nèi)存使用率小于20%等)對(duì)所有的可用計(jì)算節(jié)點(diǎn)進(jìn)行過(guò)濾,得到滿足這一條件的所有計(jì)算節(jié)點(diǎn)的集合。然后將請(qǐng)求消息中指定的要求與過(guò)濾后的所有計(jì)算節(jié)點(diǎn)的當(dāng)前特征值進(jìn)行逐一對(duì)比,根據(jù)請(qǐng)求和計(jì)算節(jié)點(diǎn)的匹配度得到相應(yīng)成本值(costs),將所有成本值相加得到權(quán)重值,并按照權(quán)重值的大小將計(jì)算節(jié)點(diǎn)進(jìn)行排序,最后為要處理的消息選擇權(quán)重值最小的節(jié)點(diǎn),在此節(jié)點(diǎn)上分配虛擬機(jī)。

OpenStack采用了快速租用的調(diào)度算法來(lái)滿足虛擬機(jī)的初始分配,但是缺乏根據(jù)節(jié)點(diǎn)實(shí)際運(yùn)行過(guò)程中的動(dòng)態(tài)調(diào)度策略,比如通過(guò)虛擬機(jī)的動(dòng)態(tài)遷移來(lái)滿足系統(tǒng)的負(fù)載均衡,因此,OpenStack搭建的云平臺(tái)在運(yùn)行一段時(shí)間之后,可能出現(xiàn)某些節(jié)點(diǎn)的負(fù)載過(guò)高,提供的服務(wù)質(zhì)量下降,而其他節(jié)點(diǎn)可能相對(duì)空閑,負(fù)載較少,而且長(zhǎng)時(shí)間工作在低負(fù)載的情況下,這樣不僅容易造成系統(tǒng)負(fù)載不均衡,而且浪費(fèi)了大量的資源。所以,在OpenStack中需要一個(gè)動(dòng)態(tài)的調(diào)度算法在運(yùn)行過(guò)程中對(duì)資源進(jìn)行合理調(diào)度,來(lái)補(bǔ)充原有算法的不足,維持系統(tǒng)的負(fù)載均衡。

2資源動(dòng)態(tài)調(diào)度算法

如何平衡系統(tǒng)中各節(jié)點(diǎn)的負(fù)載,實(shí)現(xiàn)資源的動(dòng)態(tài)調(diào)度,主要涉及以下3個(gè)問(wèn)題:①虛擬機(jī)遷移的觸發(fā)機(jī)制,即哪個(gè)節(jié)點(diǎn)需要進(jìn)行虛擬機(jī)遷移;②源節(jié)點(diǎn)中待遷移虛擬機(jī)的選取,即這個(gè)節(jié)點(diǎn)中需要遷移哪些虛擬機(jī);③目的節(jié)點(diǎn)的選取[1],即將這些虛擬機(jī)遷移到哪些節(jié)點(diǎn)上。三者之間關(guān)系可以用圖2表示。

2.1遷移觸發(fā)策略

定義1能耗(power consumption):節(jié)點(diǎn)運(yùn)行時(shí)消耗的電量的總和。一般情況下,一個(gè)節(jié)點(diǎn)的電能消耗絕大部分來(lái)自于CPU的使用,與CPU的使用率近似成以下關(guān)系[2]

(1)

式中,P為電能消耗總和,Cusage為節(jié)點(diǎn)CPU使用率,Fmax為滿負(fù)載情況下節(jié)點(diǎn)的電能消耗,k為空閑情況下節(jié)點(diǎn)電能消耗占滿負(fù)載情況下電能消耗的比例。由公式可以看出當(dāng)Fmax確定,且k值一定時(shí),該節(jié)點(diǎn)的電能消耗P的大小只取決于該節(jié)點(diǎn)CPU的利用率Cusage,節(jié)點(diǎn)從空閑到滿負(fù)載的電能消耗與CPU利用率近似成線性關(guān)系[2],如圖3所示。

圖3　節(jié)點(diǎn)能耗圖

從圖3可以看出,隨著CPU利用率升高,節(jié)點(diǎn)的能耗增加并不大,但是CPU利用率為0%(即空閑節(jié)點(diǎn))的能耗卻很高,所以應(yīng)在保持節(jié)點(diǎn)能正常運(yùn)行的情況下,盡量提高節(jié)點(diǎn)的負(fù)載,并且將空閑出來(lái)的節(jié)點(diǎn)關(guān)掉,以此來(lái)有效減少電能消耗。

定義2工作負(fù)載(work load):一個(gè)節(jié)點(diǎn)的工作負(fù)載可以用節(jié)點(diǎn)的CPU使用率和內(nèi)存使用率計(jì)算而得,采用加權(quán)因子W=[w1,w2]對(duì)2種資源的利用率進(jìn)行加權(quán)計(jì)算,具體該節(jié)點(diǎn)的負(fù)載定義為WorkLoad[3]

WorkLoad=w1Cusage(t)+w2Memusage(t)

(2)

式中，Cusage為該節(jié)點(diǎn)在時(shí)刻t的CPU使用率,Memusage為該節(jié)點(diǎn)在時(shí)刻t的內(nèi)存使用率,式中w1+w2=1。

定義3負(fù)載均衡度(loadbalance):用WorkLoadi表示節(jié)點(diǎn)i的負(fù)載,B表示系統(tǒng)負(fù)載均衡度,系統(tǒng)中有n個(gè)節(jié)點(diǎn),則B可以用以下公式求得[3]

(3)

(4)

B越小,說(shuō)明各節(jié)點(diǎn)間負(fù)載差值越小,系統(tǒng)負(fù)載越均衡。

定義4節(jié)點(diǎn)負(fù)載等級(jí)(nodeloadlevel):根據(jù)節(jié)點(diǎn)負(fù)載的大小,將各節(jié)點(diǎn)負(fù)載分為以下幾個(gè)等級(jí):

表1　節(jié)點(diǎn)負(fù)載狀態(tài)分類

根據(jù)對(duì)節(jié)點(diǎn)負(fù)載定義,設(shè)定雙閾值觸發(fā)機(jī)制:基于節(jié)點(diǎn)負(fù)載的上線閾值觸發(fā)遷移和下線閾值觸發(fā)遷移,如圖4和圖5所示。采用雙閾值觸發(fā)主要是基于兩方面的考慮,上線閾值的設(shè)定主要是為了避免節(jié)點(diǎn)負(fù)載過(guò)高,無(wú)法滿足用戶需求,或者因負(fù)載過(guò)高導(dǎo)致節(jié)點(diǎn)運(yùn)行出現(xiàn)故障;下線閾值的設(shè)定主要是為了盡量減少運(yùn)行節(jié)點(diǎn)的數(shù)量,達(dá)到節(jié)能的效果。節(jié)點(diǎn)的負(fù)載信息包括了CPU的利用率、內(nèi)存的使用率,能更加準(zhǔn)確地描述資源的使用情況,單一的CPU利用率或內(nèi)存利用率無(wú)法真實(shí)反映資源的使用情況。

圖4　上線閾值觸發(fā)遷移模擬圖

圖5　下線閾值觸發(fā)遷移模擬圖

實(shí)時(shí)更新節(jié)點(diǎn)負(fù)載信息容易出現(xiàn)瞬時(shí)低谷或高峰現(xiàn)象,可能節(jié)點(diǎn)負(fù)載瞬間超出了設(shè)定閾值,但是能在短時(shí)間內(nèi)迅速恢復(fù)下來(lái)。為了避免因瞬間的振蕩而錯(cuò)誤地遷移,在本文中,引入滑動(dòng)窗口[4],定義滑動(dòng)窗口的更新周期為W,W值也表征著窗口大小,是一個(gè)連續(xù)的時(shí)間單元。在該連續(xù)時(shí)間單元內(nèi),將節(jié)點(diǎn)負(fù)載值按照固定時(shí)間間隔進(jìn)行采樣,采用隊(duì)列形式組織緩沖池來(lái)保存采樣數(shù)據(jù),當(dāng)下一個(gè)更新周期到來(lái)時(shí),當(dāng)前緩沖區(qū)插入到隊(duì)尾,頭緩沖區(qū)將作為下一個(gè)窗口的接收數(shù)據(jù)。對(duì)于上線閾值觸發(fā),在窗口內(nèi),設(shè)定一個(gè)最大超出次數(shù)Mmax,當(dāng)節(jié)點(diǎn)負(fù)載連續(xù)超出閾值的次數(shù)小于Mmax時(shí),滑動(dòng)窗口不會(huì)觸發(fā)報(bào)警,當(dāng)節(jié)點(diǎn)負(fù)載連續(xù)超出閾值的次數(shù)大于Mmax時(shí),滑動(dòng)窗口發(fā)生報(bào)警,利用時(shí)間序列預(yù)測(cè)法[5]的AR模型對(duì)節(jié)點(diǎn)負(fù)載的下一個(gè)值進(jìn)行預(yù)測(cè),當(dāng)預(yù)測(cè)值仍然超出閾值時(shí),觸發(fā)遷移,否則,不觸發(fā)遷移。對(duì)于下線閾值觸發(fā),在窗口內(nèi),同樣設(shè)定一個(gè)最大低于次數(shù)Nmax,當(dāng)節(jié)點(diǎn)負(fù)載連續(xù)低于閾值的次數(shù)小于Nmax時(shí),滑動(dòng)窗口不會(huì)觸發(fā)報(bào)警,當(dāng)節(jié)點(diǎn)負(fù)載連續(xù)低于閾值的次數(shù)大于Nmax時(shí),滑動(dòng)窗口發(fā)生報(bào)警,利用時(shí)間序列預(yù)測(cè)法的AR模型對(duì)節(jié)點(diǎn)負(fù)載的下一個(gè)值進(jìn)行預(yù)測(cè),當(dāng)預(yù)測(cè)值仍然低于閾值時(shí),觸發(fā)遷移,否則,不觸發(fā)遷移。

2.2待遷移虛擬機(jī)選取策略

虛擬機(jī)的選取策略就是決定從源節(jié)點(diǎn)上選取哪些虛擬機(jī)進(jìn)行遷移。在選取虛擬機(jī)前,必須確保該虛擬機(jī)實(shí)例保存在NFS共享存儲(chǔ)中,在此基礎(chǔ)上才能實(shí)現(xiàn)在線遷移。

首先,進(jìn)行虛擬機(jī)的遷移必須要考慮用戶服務(wù)質(zhì)量,而用戶服務(wù)質(zhì)量主要取決于服務(wù)器CPU使用率,盡量選擇CPU使用率高的虛擬機(jī)進(jìn)行遷移,剩下的用戶才能享用更多的CPU資源。虛擬機(jī)CPU使用率是第一個(gè)考慮因素。其次,在選擇虛擬機(jī)遷移的時(shí)候要考慮遷移成本,遷移成本主要由遷移時(shí)間決定。虛擬機(jī)在線遷移過(guò)程中,目的節(jié)點(diǎn)會(huì)根據(jù)共享存儲(chǔ)里的待遷移虛擬機(jī)文件生成一個(gè)虛擬機(jī),然后源節(jié)點(diǎn)將待遷移虛擬機(jī)的內(nèi)存向目的節(jié)點(diǎn)拷貝,同時(shí)記錄下內(nèi)存臟頁(yè),內(nèi)存拷貝結(jié)束后,開(kāi)始拷貝內(nèi)存臟頁(yè),直到大部分的內(nèi)存同步后,暫停待遷移虛擬機(jī),將該虛擬機(jī)未同步的內(nèi)存及CPU狀態(tài)同步到目的節(jié)點(diǎn)上,之后目的節(jié)點(diǎn)上的虛擬機(jī)開(kāi)始運(yùn)行。因此待遷移虛擬機(jī)的內(nèi)存決定了遷移時(shí)間。在遷移過(guò)程中虛擬機(jī)內(nèi)存的使用是第二個(gè)考慮因素。

定義一個(gè)節(jié)點(diǎn)上每個(gè)虛擬機(jī)CPU使用量占該節(jié)點(diǎn)CPU總量的百分比為Ci,虛擬機(jī)內(nèi)存使用量占該節(jié)點(diǎn)內(nèi)存總量的百分比為Mi,Ui為CPU使用率和內(nèi)存使用率的比值,即

(5)

通過(guò)上面分析,在選取虛擬機(jī)時(shí),該虛擬機(jī)的Ci越大越好,Mi越小越好,即Ui越大越好。在選取虛擬機(jī)前,先將該節(jié)點(diǎn)上虛擬機(jī)的Ui進(jìn)行排序,選取Ui最大的虛擬機(jī)進(jìn)行遷移。

2.3目的節(jié)點(diǎn)選取策略

在遷移策略中,目的節(jié)點(diǎn)的選取尤為重要,它直接影響系統(tǒng)數(shù)據(jù)中心運(yùn)行節(jié)點(diǎn)的負(fù)載均衡情況。如果選取的目的節(jié)點(diǎn)不合理,可能導(dǎo)致不必要的遷移,或者二次遷移,從而增加系統(tǒng)運(yùn)行負(fù)擔(dān)及系統(tǒng)能耗。

經(jīng)過(guò)虛擬機(jī)遷移觸發(fā)以及待遷移虛擬機(jī)的選取,將待遷移的虛擬機(jī)構(gòu)成集合V=(V1,V2,…,Vn),選擇第二等級(jí)的節(jié)點(diǎn)構(gòu)成資源池C=(C1,C2,…,Cn)。本文中用CPU使用率、內(nèi)存、網(wǎng)絡(luò)帶寬的三維向量來(lái)描述虛擬機(jī)和目的節(jié)點(diǎn)的資源。定義遷移虛擬機(jī)i對(duì)目的節(jié)點(diǎn)j的資源需求向量Dijvm=(dijcpu,dijmem,dijnet),計(jì)算公式如下:

(6)

(7)

(8)

式中，i-need表示虛擬機(jī)i所需的CPU資源、內(nèi)存資源、帶寬資源,j-total表示節(jié)點(diǎn)j的CPU資源、內(nèi)存資源、帶寬資源的總量,j-use表示節(jié)點(diǎn)j的CPU資源、內(nèi)存資源、帶寬資源已使用量,j-reserve表示節(jié)點(diǎn)j的CPU資源、內(nèi)存資源、帶寬資源的預(yù)留量。只有dijcpu,dijmem,dijnet的值均在(0,1)時(shí),才能滿足遷移虛擬機(jī)對(duì)節(jié)點(diǎn)的資源需求。如果這3個(gè)值有1個(gè)大于1,則該節(jié)點(diǎn)不能作為該虛擬機(jī)的目的節(jié)點(diǎn),將該節(jié)點(diǎn)從此虛擬機(jī)的遷移目的節(jié)點(diǎn)集合中刪除,剩余的節(jié)點(diǎn)構(gòu)成該虛擬機(jī)遷移的資源池。根據(jù)虛擬機(jī)對(duì)CPU、內(nèi)存以及網(wǎng)絡(luò)帶寬的需求比例關(guān)系,設(shè)定權(quán)值向量W=(W1,W2,W3),對(duì)3種資源需求進(jìn)行加權(quán)計(jì)算,得到虛擬機(jī)i對(duì)節(jié)點(diǎn)j的需求量Sij

(9)

顯然,Sij在(0,1)內(nèi),Sij越大,將該虛擬機(jī)遷移至該節(jié)點(diǎn)后,該節(jié)點(diǎn)的狀態(tài)越趨近于達(dá)到上限。這樣的遷移,會(huì)導(dǎo)致其他虛擬機(jī)的Sij較小而無(wú)法找到合適的目的節(jié)點(diǎn),擁有更多資源的節(jié)點(diǎn)卻無(wú)法接收到遷移的虛擬機(jī),無(wú)法滿足負(fù)載均衡。在此,定義虛擬機(jī)i對(duì)節(jié)點(diǎn)j的匹配度Mij

(10)

同樣,Mij也在(0,1)內(nèi),Mij越大,虛擬機(jī)i對(duì)該節(jié)點(diǎn)j的需求越高,虛擬機(jī)遷移到該節(jié)點(diǎn)的可能性越大,虛擬機(jī)i和節(jié)點(diǎn)j的匹配度越高。

資源多、性能好的節(jié)點(diǎn)能匹配到相對(duì)多的虛擬機(jī),此時(shí)就容易引起群聚效應(yīng),為避免群聚效應(yīng)的發(fā)生,采用概率輪盤來(lái)進(jìn)行目的節(jié)點(diǎn)的選擇。

定義虛擬機(jī)i最終選擇目的節(jié)點(diǎn)j的概率為Pij

(11)

式中,Mij為虛擬機(jī)i對(duì)節(jié)點(diǎn)j的匹配度。共有n個(gè)目的節(jié)點(diǎn)可以選取。其中

(12)

虛擬機(jī)i可以根據(jù)選擇節(jié)點(diǎn)j的概率制定概率輪盤,如圖6所示。

圖6　虛擬機(jī)1的選擇概率輪盤

每個(gè)遷移的虛擬機(jī)都有1個(gè)選擇概率輪盤。在實(shí)現(xiàn)過(guò)程中,可以通過(guò)1個(gè)(0,1)的隨機(jī)數(shù)字來(lái)判斷所在的區(qū)間,實(shí)現(xiàn)虛擬機(jī)目的節(jié)點(diǎn)的選取。

由圖6可知,資源越多、性能越好的節(jié)點(diǎn)在輪盤上占用的空間越大,指針最后指向該區(qū)域的可能性也就越大,從而該節(jié)點(diǎn)被選為目的節(jié)點(diǎn)的概率較大。而資源少的節(jié)點(diǎn)在輪盤上占用的空間少,被選為目的節(jié)點(diǎn)的概率也就小。這樣,很大程度上改善了系統(tǒng)負(fù)載均衡,也在一定程度上減少了群聚效應(yīng)的發(fā)生。

3實(shí)驗(yàn)仿真

為驗(yàn)證本文提出的虛擬機(jī)動(dòng)態(tài)遷移算法的性能,本文采用云計(jì)算仿真軟件CloudSim[6]進(jìn)行仿真驗(yàn)證。在實(shí)驗(yàn)中,配置了100個(gè)節(jié)點(diǎn),為了更加真實(shí)模擬云平臺(tái)中資源的異構(gòu)性,將這100個(gè)節(jié)點(diǎn)分成4組,每組25個(gè)節(jié)點(diǎn),組內(nèi)節(jié)點(diǎn)的配置相同,不同組間的配置不同,具體配置情況如表2所示。

表2　實(shí)驗(yàn)節(jié)點(diǎn)配置

為所有節(jié)點(diǎn)提供300臺(tái)虛擬機(jī),每臺(tái)虛擬機(jī)的CPU在100～200MIP中隨機(jī)產(chǎn)生,內(nèi)存在1～2G中隨機(jī)產(chǎn)生,帶寬在5～10Mbps中隨機(jī)產(chǎn)生。將這300臺(tái)虛擬機(jī)隨機(jī)安置在這100個(gè)節(jié)點(diǎn)上,對(duì)500個(gè)相互獨(dú)立的任務(wù)集進(jìn)行處理,每個(gè)任務(wù)長(zhǎng)度在150 000～200 000中隨機(jī)產(chǎn)生。

在節(jié)點(diǎn)負(fù)載公式(2)中,設(shè)置w1=w2=0.5,監(jiān)控節(jié)點(diǎn)負(fù)載,如有觸發(fā)遷移,則動(dòng)態(tài)地進(jìn)行虛擬機(jī)遷移。每隔100s統(tǒng)計(jì)1次節(jié)點(diǎn)的資源利用情況和節(jié)點(diǎn)的負(fù)載及系統(tǒng)的負(fù)載均衡度。雙閾值觸發(fā)動(dòng)態(tài)遷移策略與無(wú)遷移策略、上線觸發(fā)動(dòng)態(tài)遷移策略及下線觸發(fā)動(dòng)態(tài)遷移策略的實(shí)驗(yàn)對(duì)比如圖7所示。

圖7　負(fù)載均衡統(tǒng)計(jì)圖

由于各節(jié)點(diǎn)分配的任務(wù)不同,各節(jié)點(diǎn)的負(fù)載也不同,遷移次數(shù)隨系統(tǒng)運(yùn)行時(shí)間的增加而增加,傳統(tǒng)的無(wú)遷移策略的負(fù)載均衡度值要明顯高于有遷移策略的負(fù)載均衡度值。負(fù)載均衡度值越大,系統(tǒng)負(fù)載越不均衡。上線觸發(fā)策略和下線觸發(fā)策略的值要高于雙閾值遷移策略,說(shuō)明減少低負(fù)載節(jié)點(diǎn)使用和高負(fù)載節(jié)點(diǎn)資源使用能有效改善系統(tǒng)的負(fù)載均衡。

節(jié)點(diǎn)能量消耗主要與CPU使用率有關(guān),假設(shè)每個(gè)節(jié)點(diǎn)的CPU使用率為0%時(shí),消耗電能175W,CPU使用率為100%時(shí),消耗電能250W,忽略遷移過(guò)程中電能消耗,分別對(duì)無(wú)遷移策略、上線觸發(fā)動(dòng)態(tài)遷移發(fā)策略、下線觸發(fā)動(dòng)態(tài)遷移策略及雙閾值動(dòng)態(tài)遷移觸發(fā)策略的系統(tǒng)仿真大約20min,結(jié)果對(duì)比如圖8所示。

圖8　能耗對(duì)比圖

由圖8看出,下線觸發(fā)策略和雙閾值觸發(fā)策略消耗的電能要明顯低于無(wú)遷移策略和上線觸發(fā)策略;所以,減少低負(fù)載節(jié)點(diǎn)的使用和關(guān)閉空閑節(jié)點(diǎn)能很好地起到節(jié)能效果。同時(shí),上線觸發(fā)策略消耗的電能低于無(wú)遷移策略,說(shuō)明平衡各節(jié)點(diǎn)的資源使用率也能達(dá)到一定的節(jié)能效果。

4結(jié)論

本文針對(duì)云平臺(tái)中資源調(diào)度問(wèn)題,結(jié)合開(kāi)源云OpenStack,給出了在OpenStack下進(jìn)行虛擬機(jī)動(dòng)態(tài)調(diào)度算法的具體設(shè)計(jì)。算法主要解決了虛擬機(jī)動(dòng)態(tài)調(diào)度過(guò)程中遷移的觸發(fā)問(wèn)題,源節(jié)點(diǎn)中待遷移虛擬機(jī)的選擇問(wèn)題以及目的節(jié)點(diǎn)的選擇問(wèn)題。最后結(jié)合云計(jì)算仿真平臺(tái)CloudSim對(duì)算法工作的情況進(jìn)行模擬,驗(yàn)證了算法的調(diào)度質(zhì)量。

參考文獻(xiàn)：

[1]李強(qiáng),郝沁汾,肖利民,等. 云計(jì)算中虛擬機(jī)放置的自適應(yīng)管理與多目標(biāo)優(yōu)化[J]. 計(jì)算機(jī)學(xué)報(bào), 2011, 34(12): 2253-2264

LiQiang,HaoQinfen,XiaoLimin,etal.AdaptiveManagementandMulti-ObjectOptimizationforVirtualMachinePlacementinCloudCompution[J].ChineseJournalofComputer, 2011, 34(12): 2253-2264 (inChinese)

[2]HuL,JinH,LiaoX,etal.Magnet:ANovelSchedulingPolicyforPowerReductioninClusterwithVirtualMachines[C]∥Proceedingsofthe2008IEEEInternationalConferenceonClusterComputing, 2008: 13-22

[3]方義秋,唐道紅,葛君偉. 云環(huán)境下基于虛擬機(jī)動(dòng)態(tài)遷移的調(diào)度策略研究[J]. 微電子學(xué)與計(jì)算機(jī),2012,29(4): 45-48

FangYiqiu,TangDaohong,GeJunwei.ResearchonScheduleStrategyBasedonDynamicMigrationofVirtualMachinesinCloudEnvironment[J].MicroelectronicsandComputer, 2012, 29(4): 45-48 (inChinese)

[4]閆朝升,張承江,馬英. 基于滑動(dòng)窗口的時(shí)間序列數(shù)據(jù)流分析與預(yù)測(cè)技術(shù)研究[J]. 黑龍江大學(xué)自然科學(xué)學(xué)報(bào), 2006, 23(6): 863-867

YanZhaosheng,ZhangChengjiang,MaYing.StudyonRegressinAnalysisandPredictionofTime-SeriesDataStreamsUsingSlidingWindows[J].JournalofNaturalScienceofHeiLongJiangUniversity, 2006, 23(6): 863-867 (inChinese)

[5]徐慧娟,周世健,魯鐵定. 自回歸AR模型整體最小二乘分析[J]. 江西科學(xué), 2011,29(5): 543-545

XuHuijuan,ZhouShijian,LuTieding.ARModelofTotalLeastSquareEstimationofInstability[J].JiangxiScience, 2011, 29(5): 543-545 (inChinese)

[6]BuyyaR,RanjanR,CalheirosRN.ModelingandSimulationofScalableCloudComputingEnvironmentsandtheCloudSimToolkit:ChallengesandOpportunities[C]∥Proceedingsofthe7thHighPerformanceComputingandSimulationConference, 2009: 1-11

Research of Dynamic Scheduling of Resources under the Environment of OpenStack

Deng Zhilong1, 3, Duan Zhemin1, Li Liutao2

1.School of Electronics Information, Northwestern PolytechnicalUniversity Xi′an, 710072, China 2.School of Automation, Northwestern PolytechnicalUniversity Xi′an, 710072, China 3.Digtal Informetion Technlogy Department, Shanxi Yacnth Vocation, Coltege, Xi′an, 710068, China

Abstract:A new virtual machine dynamic resources scheduling algorithm based on OpenStack is proposed to optimize scheduling of resources problems under the cloudcomputing platforms. Algorithm mainly adopts the online and offline trigger strategy based on node load and the VM selection strategy to improve the quality of service and reduce the cost of migration. In order to avoid the cluster effect and maintain the balanced workload in the system, the paper evaluates the matched-degree by calculating the VM demand for the node, and then determines the final destination node by the roulette of probability which is made by matched-degree. Finally, the cloud computing simulation platform CloudSim is used to simulate the algorithm and verify the quality of scheduling algorithm.

Keywords:Cloud computing; Resource scheduling; Load balancing

收稿日期：2016-03-01

基金項(xiàng)目：國(guó)家自然科學(xué)基金(61471299)資助

作者簡(jiǎn)介：鄧志龍(1976—),西北工業(yè)大學(xué)博士研究生，主要從事信息與信號(hào)檢測(cè)、識(shí)別、處理及系統(tǒng)控制等方面的研究。

中圖分類號(hào)：TP391.4

文獻(xiàn)標(biāo)志碼：A

文章編號(hào):1000-2758(2016)04-0650-06