胡乃靜,游錄金,彭俊杰

1(上海立信會計金融學(xué)院 信息管理學(xué)院,上海 201620)2(同濟大學(xué) 控制科學(xué)與工程系,上海 201804)3(上海大學(xué) 計算機工程與科學(xué)學(xué)院,上海 200444)

1 引 言

隨著IT技術(shù)的發(fā)展,計算經(jīng)歷了從單機、到多級,從局部到網(wǎng)絡(luò),從集中到分布式,再到廣為應(yīng)用的按需處理的云計算[1]模式.而云計算把網(wǎng)絡(luò)上的服務(wù)資源虛擬化,給用戶按需提供服務(wù)[2,3],是一種新的便捷有效的計算使用范式.

正是由于它的便捷性,因此云計算的需求不斷增大,近年來云計算不斷發(fā)展,數(shù)據(jù)中心的高能耗問題正越來越多的受到大家的關(guān)注,云計算時代,這一問題更加突出,因為資源的高度集中,使得云數(shù)據(jù)中心能耗備受關(guān)注,高效的能耗管理也將成為將來更大的挑戰(zhàn)[4-6].據(jù)報導(dǎo),2006年美國數(shù)據(jù)中心消耗了的電能大約為610億千瓦時[7].根據(jù)IDC的市場調(diào)研報告結(jié)果顯示,全球的企業(yè)每年要為能耗花費大概400億美元[8].但是這些耗費大量能耗的數(shù)據(jù)中心,其利用效率低下,文獻[9]的研究結(jié)果表明,目前數(shù)據(jù)中心服務(wù)器的平均利用率大約在11%～50%之間.

因此如果想降低能耗,提高數(shù)據(jù)中心的利用率是一個有效的方法.要想有效的提高利用效率,根據(jù)應(yīng)用的類型對不同類型的應(yīng)用進行不同的調(diào)度是一個有效的途徑.云環(huán)境下,應(yīng)用種類較多,考慮到網(wǎng)絡(luò)密集型會和IO密集型應(yīng)用是最為廣泛應(yīng)用的應(yīng)用類型,本文研究了這兩種典型類型的應(yīng)用,提出了基于應(yīng)用類型的調(diào)度模型,并通過大量實驗證明了該模型的有效性,表明該模型可以有效的提高應(yīng)用執(zhí)行效率,為以后提出基于應(yīng)用類型的調(diào)度策略奠定了一定的基礎(chǔ).

2 相關(guān)研究

在云計算中的節(jié)能調(diào)度已經(jīng)得到廣大學(xué)者的關(guān)注,如Hamscher等人根據(jù)基于中心化的調(diào)度器思想,給出分布式環(huán)境下作業(yè)調(diào)度系統(tǒng)的拓?fù)浣Y(jié)構(gòu),該結(jié)構(gòu)可以較好的應(yīng)用于云環(huán)境中[10];Caron等人從提高云計算服務(wù)的角度,考慮了動態(tài)調(diào)度問題,給出了一種在保證QoS前提下的性能分析方法[11].文獻[12]從節(jié)能的角度,對云數(shù)據(jù)中心的能耗進行了研究,并試圖建立模型來對數(shù)據(jù)中心能耗進行分析預(yù)測.此外,很多學(xué)者也在其他不同角度對云計算的資源分配與能耗管理方面做了大量的研究,并取得了很多有意義的研究成果.如郝亮等針對云數(shù)據(jù)中心資源使用率、網(wǎng)絡(luò)工作負(fù)載及實施功率情況,提出了成本約束下的云計算能耗資源調(diào)度優(yōu)化算法,并提出根據(jù)全球時區(qū)性考慮電價成本,利用負(fù)載均衡的方法進行任務(wù)調(diào)度執(zhí)行,并以此給出任務(wù)分層算法,通過增加任務(wù)執(zhí)行的并行度與相關(guān)性,降低數(shù)據(jù)中心空閑概率[13].袁健等根據(jù)物理服務(wù)器的資源負(fù)載狀態(tài)確定動態(tài)的監(jiān)測周期,提出了當(dāng)結(jié)點處于輕度過載或重度過載時,物理服務(wù)器自發(fā)地執(zhí)行過載均衡方法,并且根據(jù)資源使用情況的虛擬機放置與優(yōu)化選擇算法[14].周景才等不同云計算用戶群體的行為習(xí)慣對資源分配策略的影響,提出的基于用戶行為特征的資源分配策略,即通過統(tǒng)計用戶工作習(xí)慣與任務(wù)完成時間期望值的變化規(guī)律,建立用戶行為特征信息表,從而預(yù)測出不同時間片內(nèi)用戶的任務(wù)提交規(guī)律以及用戶期望完成時間,動態(tài)調(diào)整云計算系統(tǒng)的資源分配策略[15].許力等將云計算中的虛擬資源分配問題建模為多目標(biāo)優(yōu)化模型,并使用多目標(biāo)進化算法求解該模型,從降低能耗的角度給出了一種虛擬資源動態(tài)分配策略[16].齊平等根據(jù)任務(wù)請求情況與云計算數(shù)據(jù)中心的特點,結(jié)合資源節(jié)點的負(fù)載情況,構(gòu)建了基于任務(wù)執(zhí)行行為的云系統(tǒng)可靠性度量模型,提出了一種基于遺傳智能的可信云資源調(diào)度算法[17].朱亞會等針對云數(shù)據(jù)中心的資源使用情況,提出一種基于資源利用率均衡的虛擬機調(diào)度模型,將虛擬機調(diào)度問題抽象為不定維向量裝箱模型,采用向量表示法,給出了自適應(yīng)粒子群優(yōu)化算法求解模型[18].

為了更加充分和有效的利用云計算的各種資源,調(diào)度模型逐步的發(fā)展完善,但是由于云計算環(huán)境的復(fù)雜性,這些調(diào)度算法仍然存在一些問題,這仍然需要廣大學(xué)者進行不斷的研究.基于應(yīng)用類型的資源優(yōu)化策略,目前也有部分學(xué)者對其進行了研究.文獻[19]對CPU 密集型應(yīng)用進行了廣泛研究,分析了CPU 密集型應(yīng)用的特點及其對資源的偏好性,得出了CPU密集型應(yīng)用的特征參數(shù),并建立起了CPU密集型應(yīng)用的特征模型,同時還提出了一種針對CPU密集型應(yīng)用的調(diào)度策略,該策略充分考慮應(yīng)用的特點,即能夠使物理主機的負(fù)載處于合理范圍之內(nèi),又能保證CPU密集型應(yīng)用的處理效率達到最優(yōu).但是這種處理策略只是針對于CPU密集型應(yīng)用,研究其適用范圍有一定局限,不適合于其他類型的應(yīng)用.文獻[20]對IO 密集型應(yīng)用進行了研究,不過,其研究主要側(cè)重于如何對IO密集型應(yīng)用進行建模,并進行判定.為了使得對其他類型應(yīng)用的資源使用效率也能更進一步提高,減低云數(shù)據(jù)中心的能耗,本文提出針對網(wǎng)絡(luò)密集型應(yīng)用和IO密集型應(yīng)用的資源優(yōu)化策略,以期為這兩種典型類型應(yīng)用的調(diào)度和資源優(yōu)化策略打下一定的基礎(chǔ).

3 網(wǎng)絡(luò)和IO密集型應(yīng)用的資源分配策略

3.1 策略思想

對于云計算節(jié)能研究很多,對不同類型的應(yīng)用使用不同的策略是一種有效的方法.而對于云應(yīng)用而言,即便對其類型已知,如何進行有效調(diào)度也是需要探討的問題.針對這種現(xiàn)狀,論文結(jié)合不同應(yīng)用的類型,對應(yīng)用調(diào)度問題進行了探討.提高應(yīng)用的執(zhí)行效率,讓應(yīng)用能夠更快的執(zhí)行完畢,從而提高數(shù)據(jù)中心的利用率,以達到減少能耗的目的.

在云計算環(huán)境中,根據(jù)云應(yīng)用的資源偏好性,將應(yīng)用進行分類.對于同種類型的應(yīng)用,當(dāng)多個應(yīng)用進行疊加時,即多個類型相同的云應(yīng)用在虛擬機上同時運行時,在充分利用資源的情況下,如何對應(yīng)用進行調(diào)度,讓云應(yīng)用的執(zhí)行效率能夠較大.提高應(yīng)用的執(zhí)行效率,在某種程度上,可以看成是讓應(yīng)用的執(zhí)行時間最小.

作為最廣為使用的應(yīng)用類型而言,IO密集型應(yīng)用,當(dāng)多個IO密集型應(yīng)用同時運行時,這些IO應(yīng)用共享IO資源.為了這些IO密集型應(yīng)用更快的完成,即提高IO密集型應(yīng)用的效率,對不同的IO應(yīng)用分配不同的IO資源是一種可行的解決方法.對于比較小的IO應(yīng)用,分配較多的IO的資源,讓該應(yīng)用盡快的完成,當(dāng)應(yīng)用完成后,把系統(tǒng)的IO資源集中分配給IO需求較大的應(yīng)用,縮短其執(zhí)行時間,以期讓所有IO密集型應(yīng)用都盡快完成,減少應(yīng)用執(zhí)行時間,提高應(yīng)用執(zhí)行效率.

與網(wǎng)絡(luò)密集型應(yīng)用一樣,IO密集型應(yīng)用也可以采取類似的處理的機制.在云環(huán)境中,帶寬資源為所有應(yīng)用所共享,對于網(wǎng)絡(luò)密集型應(yīng)用,根據(jù)其對網(wǎng)絡(luò)帶寬的需求,合理的分配資源,如對于網(wǎng)絡(luò)帶寬小的應(yīng)用,可以分配相對充裕帶寬資源,以縮短其執(zhí)行時間.這樣可以保證,在其執(zhí)行完畢后,減少資源競爭,從而最終使得全部網(wǎng)絡(luò)密集型應(yīng)用都能夠以盡可能小的時間完成,提高所有應(yīng)用執(zhí)行效率.

分析應(yīng)用的本質(zhì),不難發(fā)現(xiàn),對于網(wǎng)絡(luò)密集型應(yīng)用和IO密集型應(yīng)用而言,其資源需求具有一定的類似性.如網(wǎng)絡(luò)密集型需要通過網(wǎng)卡進行數(shù)據(jù)的發(fā)送與接收,這與IO密集型應(yīng)用通過磁盤讀寫來處理數(shù)據(jù)相似.不管是網(wǎng)絡(luò)帶寬資源還是IO磁盤資源,網(wǎng)絡(luò)密集型應(yīng)用和IO密集型應(yīng)用都是共享這些資源的.因此對于網(wǎng)絡(luò)密集型和IO密集型應(yīng)用,可以采用相同的調(diào)度處理策略,即通過感知應(yīng)用對資源的需求,進行合理有效的調(diào)度.對于IO密集型應(yīng)用而言,資源需求是應(yīng)用需要讀寫的文件大小.而對于網(wǎng)絡(luò)密集型應(yīng)用而言,資源需求則主要是指通過網(wǎng)絡(luò)發(fā)送/接收的文件大小.不管是網(wǎng)絡(luò)密集型應(yīng)用,還是IO密集型應(yīng)用,通過資源使用情況,對帶寬資源或IO資源進行優(yōu)化,即對應(yīng)用以不同的權(quán)重分配相應(yīng)的帶寬資源或IO資源,以縮短相應(yīng)應(yīng)用的執(zhí)行時間,提升云中心應(yīng)用的執(zhí)行效率.

3.2 資源預(yù)測模型

經(jīng)過上述分析,為了預(yù)測不同類型應(yīng)用疊加時的執(zhí)行時間,可以采用如下給出的模型進行預(yù)測:

(1)

對公式(1)進行化簡得:

(2)

其中,各參數(shù)含義如下:

T:單個任務(wù)執(zhí)行時間

C:任務(wù)需要的關(guān)鍵部件個數(shù),對IO密集型任務(wù)而言,是磁盤數(shù);對網(wǎng)絡(luò)密集型任務(wù)而言,是網(wǎng)卡數(shù)

N:疊加任務(wù)數(shù)

Time:任務(wù)完成時間

在多個同種類型的應(yīng)用被分配到相同的虛擬機上時,如果應(yīng)用個數(shù)很少,此時應(yīng)用的執(zhí)行時間最短,但虛擬機資源不會被充分利用;當(dāng)疊加的應(yīng)用個數(shù)較多,會導(dǎo)致各個應(yīng)用之間競爭資源,此時雖然資源會被充分利用,但是應(yīng)用執(zhí)行效率低下,應(yīng)用的執(zhí)行時間很長,因為很多時間浪費在資源競爭上.因此在充分利用資源和滿足用戶服務(wù)質(zhì)量的前提下,如何確定合理的疊加的應(yīng)用個數(shù),是一個重要的問題.即確定一個合理的疊加個數(shù)的閾值,當(dāng)疊加的應(yīng)用個數(shù)小于這個閾值的時候,說明可以直接將應(yīng)用放置在該虛擬機上.當(dāng)放置的應(yīng)用個數(shù)大于該閾值時,說明資源已經(jīng)被充分使用,而且再添加應(yīng)用會導(dǎo)致應(yīng)用執(zhí)行時間增加,使用于服務(wù)質(zhì)量降低,因此,需要在新啟一臺虛擬機運行該應(yīng)用.

用戶的服務(wù)質(zhì)量,在這里可以簡化為應(yīng)用的執(zhí)行時間,根據(jù)上面建立的應(yīng)用執(zhí)行時間預(yù)測模型,我們可以確定出合理的疊加的應(yīng)用個數(shù).根據(jù)公式(2)可以求得疊加的應(yīng)用個數(shù):

(3)

此處的Time,我們可以根據(jù)用戶服務(wù)質(zhì)量確定,這里我們引入容忍系數(shù)α,即

Time=α×T,α≥1

(4)

將公式(3)和公式(4)合并,得:

(5)

根據(jù)公式(5),引入容忍參數(shù)α1,我們可以得到機器的狀態(tài)公式:

(6)

當(dāng)S=0的時候,應(yīng)用的執(zhí)行時間最短,但是這個時候資源并不能充分使用,造成了嚴(yán)重的資源浪費.當(dāng)S=1時,雖然應(yīng)用執(zhí)行時間會有所增加,但是增加的并不多,還在可以接受的應(yīng)用服務(wù)質(zhì)量下,而且此時資源被充分利用.當(dāng)S=2時,此時資源雖然充分利用,但是由于應(yīng)用個數(shù)太多,各應(yīng)用之間競爭激烈,導(dǎo)致應(yīng)用執(zhí)行時間會顯著增長,服務(wù)質(zhì)量會顯著下降.因此,為了兼顧應(yīng)用執(zhí)行效率和用戶服務(wù)質(zhì)量,我們推薦機器處于狀態(tài)1.

3.3 資源調(diào)度策略

對于IO密集型應(yīng)用或者網(wǎng)絡(luò)密集型應(yīng)用,假設(shè)其應(yīng)用共有N個,則各種資源的權(quán)重可按照如下方式計算:

對于所有應(yīng)用,按照其資源使用需求,采用由小到大排序,得到應(yīng)用的順序為A1,A2,…,AN-1,AN,對應(yīng)的應(yīng)用大小為SizeA1,SizeA2,…,SizeAN-1,SizeAN.

(7)

權(quán)重歸一化,得到應(yīng)用Ai的最終資源權(quán)重WAi如下:

(8)

在計算每個應(yīng)用的權(quán)重后,對于IO密集型和者網(wǎng)絡(luò)密集型兩類典型應(yīng)用可以采用如下方法進行調(diào)度:

1)初始化、更新應(yīng)用的資源需求權(quán)重列表,對于所有的應(yīng)用而言,采用公式(7)計算其資源需求權(quán)重;

2)根據(jù)資源權(quán)重表和當(dāng)前的資源對各個應(yīng)用分配資源.對于IO密集型應(yīng)用來說,根據(jù)資源權(quán)重表給各個應(yīng)用分配IO讀寫資源;對于網(wǎng)絡(luò)密集型應(yīng)用來說,根據(jù)資源權(quán)重表給各個應(yīng)用分配網(wǎng)絡(luò)帶寬資源;

3)當(dāng)有應(yīng)用執(zhí)行完成,轉(zhuǎn)向步驟4);否則轉(zhuǎn)到步驟1),更新資源權(quán)重需求表;

4)算法結(jié)束,退出.

4 實驗結(jié)果與分析

4.1 實驗環(huán)境

本文的實驗環(huán)境基于CloudStack5.0云計算平臺,搭建了一個小型的云計算系統(tǒng),其中有1個管理服務(wù)器Management,2個主機節(jié)點Host,和1個存儲節(jié)點Storage.主機節(jié)點Host的操作系統(tǒng)為64位Redhat server5.5,處理器4核Intel I5 3470@3.60GHz,內(nèi)存8GB DDR3,硬盤容量1TB.Host上的虛擬機,操作系統(tǒng)為64位Ubuntu14.04版本,處理器為1GHz*2,內(nèi)存為2GB,網(wǎng)絡(luò)帶寬為150Mbps,磁盤為7200/分鐘1TB.具體參數(shù)如表1所示.

表1 硬件配置參數(shù)
Table 1 Configurations of hardware

節(jié)點CPU內(nèi)存硬盤磁盤轉(zhuǎn)速管理I3 2130@3.4GHz4GB DDR31TB5400 r/m存儲I5 3470@3.60GHz8GB DDR31TB5400 r/m主節(jié)點1I5 3470@3.60GHz8GB DDR31TB7200 r/m主節(jié)點2AMD IIX4 B97@3.2GHz4GB DDR3500GB7200 r/m

4.2 結(jié)果與分析

為了驗證文中所提出的調(diào)度策略,針對IO密集型應(yīng)用和網(wǎng)絡(luò)密集型應(yīng)用進行了實驗驗證.對于IO密集型應(yīng)用采用linux環(huán)境下dd命令在本地生成大量不同大小的文件;而對于網(wǎng)絡(luò)密集型應(yīng)用則采用的是應(yīng)用Socket進行各種不同大小的文件傳輸(客戶端無需從磁盤讀取數(shù)據(jù),也不考慮磁盤IO對實驗的影響).

1)IO密集型應(yīng)用實驗.通過采用在默認(rèn)策略和文中提出的策略,在1核虛擬機上測試使用dd命令生成不同的文件,對所需的時間進行比較.雖然該應(yīng)用也需要用到大量的CPU,但生成文件,主要需要產(chǎn)生大量的IO操作.該實驗包括三部分,即生成256MB文件;生成256MB和512MB文件所用時間;生成256MB、512MB和1024MB文件所用時間.比較在不同情形下,兩種策略完成應(yīng)用所需的時間,具體實驗結(jié)果如圖1-圖3.其中圖1給出的是兩種策略下生成256MB文件所需的時間;圖2給出的是生成256MB和512MB文件所需的時間,圖3給出的是生成256MB、512MB和1024MB文件所需的時間.

圖1 創(chuàng)建256MB文件所需的時間Fig.1 Time for generation of 256MB file

圖2 同時創(chuàng)建256MB和512MB文件所需的時間Fig.2 Time for generation of 256MB and 512MB files

圖3 同時生成256MB、512MB和1024MB文件所需時間Fig.3 Time for generation of 256MB,512MB,1024MB files

從圖1中可以看出,當(dāng)只是創(chuàng)建單個文件時,文中所給出策略和默認(rèn)策略,其所需的時間基本相當(dāng),這是因為不管是哪種策略,系統(tǒng)都只是處理單個任務(wù), 資源消耗相當(dāng),時間與差不多.從圖2從圖中可以看出,當(dāng)需要創(chuàng)建兩個文件時,文中所提出的策略就有明顯的優(yōu)勢,即創(chuàng)建完成2個文件時,本文所提出的方法除了處理在創(chuàng)建512MB文件比默認(rèn)方法有幾乎可以忽略的延長之外,創(chuàng)建256MB文件的時間和完成兩個任務(wù)的總時間都大大降低.如創(chuàng)建256MB文件時,文中所提出的時間比較默認(rèn)策略所需的時間降低了18%,而完成兩個文件的創(chuàng)建的總時間,文中的方法也比默認(rèn)策略降低了6%.這主要是本文所提出的策略,在多個應(yīng)用到來的時候,總是有限將資源滿足元小任務(wù)/執(zhí)行時間更短的任務(wù)盡快完成,然后再去完成大任務(wù)/執(zhí)行時間長的任務(wù),這樣調(diào)度的優(yōu)勢是,小任務(wù)可以在盡可能短的時間內(nèi)完成,從而減少系統(tǒng)在不同任務(wù)之間的切換,因此,不僅可以加快小任務(wù)的執(zhí)行速度,同時也可以降低所有任務(wù)的總時間消耗,從而達到節(jié)能的目的.當(dāng)然,由于該策略是在有效考慮小任務(wù),所以大任務(wù)的執(zhí)行時間會比默認(rèn)策略稍稍延長,但由于大任務(wù)本身的執(zhí)行時間都比較長,因此,相對而言,對于大任務(wù)影響很小.這種性能的提升在任務(wù)多的情況下,體現(xiàn)更明顯.如圖3所示,創(chuàng)建256MB文件時,文中所提出的策略執(zhí)行時間比默認(rèn)策略降低31%;而創(chuàng)建的512MB文件,文中提出策略也比默認(rèn)策略降低6%,三個文件創(chuàng)建完成的總時間比默認(rèn)策略降低9%;而三個任務(wù)中最大的,創(chuàng)建1024MB文件采用文中提出策略相對于默認(rèn)策略略有延長,執(zhí)行時間僅增加1.3%.可見文中提出的策略對于多任務(wù)下的IO密集型應(yīng)用的調(diào)度具有明顯的優(yōu)勢,其原因與圖2中的原因相同.

2)網(wǎng)絡(luò)密集型應(yīng)用實驗.采用文中提出策略與默認(rèn)策略,在1核虛擬機上測試使用Socket傳輸文件,比較兩種策略的效率.該實驗包括三部分,即傳輸256MB文件;傳輸256MB和512MB文件所用時間;傳輸256MB、512MB和1024MB文件所用時間.三種情形下,兩種策略下所需的時間結(jié)果如圖4-圖6.其中圖4給出的是兩種策略下傳輸256MB文件所需的時間;圖5給出的是傳輸256MB和512MB文件所需的時間,圖6給出的是傳輸256MB、512MB和1024MB文件所需的時間.

圖4 兩種策略傳輸256MB文件所需的時間Fig.4 Time for transmission of 256MB file

圖5 同時傳輸256MB和512MB文件所需時間Fig.5 Time for transmission of 256MB and 512MB files

圖6 同時傳輸256MB、512MB和1024MB文件所需時間Fig.6 Time for transmission of 256MB,512MB,1024MB files

從圖4中可以看出,當(dāng)傳輸單個文件時,文中所給出策略和默認(rèn)策略,其所需的時間基本相當(dāng),這是因為不管是哪種策略,系統(tǒng)都只是處理單個任務(wù),通過網(wǎng)絡(luò)進行傳輸,資源消耗相當(dāng),時間與差不大.從圖5從圖中可以看出,當(dāng)傳輸256MB和512MB兩個文件時,采用本文所提出的方法,除了傳輸512MB文件比默認(rèn)方法增加了可以忽略的0.7%之外,傳輸256MB文件的時間比默認(rèn)方法降低了21.6%,傳輸兩個文件的總時間降低了9%.同樣,圖6的結(jié)果表明,采用文中所提出的方法,除了傳輸1024MB的文件時間比默認(rèn)策略增加了大約2.4%外,傳輸256MB文件時間降低了約20%,傳輸512MB文件時間降低了約11%,且傳輸三個文件的總時間降低了約6%.可見,文中提出的策略對于網(wǎng)絡(luò)密集型應(yīng)用同樣的能夠大幅提升其應(yīng)用的執(zhí)行效率,提高資源的使用效率,降低數(shù)據(jù)中心能耗.其原因與IO密集型應(yīng)用中的分析相同,因為該策略優(yōu)先考慮了小任務(wù)的執(zhí)行,從而減少了系統(tǒng)在不同任務(wù)之間的切換,因此,效率具有明顯提升.

5 結(jié) 論

本文針對IO密集型應(yīng)用和網(wǎng)絡(luò)密集型應(yīng)用進行分析,提出了針對這兩種典型應(yīng)用的資源優(yōu)化策略,其基本思想是采用小任務(wù)優(yōu)先處理,大任務(wù)后處理的策略,從而加速小任務(wù)執(zhí)行,降低任務(wù)切換帶來的額外開銷,從而提高應(yīng)用的執(zhí)行效率.實驗結(jié)果表明,文中所提出的策略不僅可以有效的提升IO密集型和網(wǎng)絡(luò)密集型應(yīng)用執(zhí)行效率,提供云環(huán)境下的資源使用效率,而且,可以降低云數(shù)據(jù)中心的能量消耗,為以后提出更好的資源分配與調(diào)度提供了基礎(chǔ).