徐雨婷 陳世平

摘? 要： 隨著數(shù)據(jù)中心的擴(kuò)大，現(xiàn)有的云計(jì)算資源的分配與調(diào)度機(jī)制，帶來(lái)了許多龐大的工作調(diào)度問(wèn)題，針對(duì)該問(wèn)題，本文采用基于包簇框架的資源調(diào)度分配方式，并在此框架上，通過(guò)提出非線性能耗模型，在最大限度地不違背服務(wù)級(jí)別協(xié)議（SLAS）的情況下，并且同時(shí)以降低能耗為目標(biāo)，提出基于BFDP（Best-Fit-Decreasing-Power）算法進(jìn)行包簇資源的分配。通過(guò)實(shí)驗(yàn)表明，基于本文提出的包簇框架的能耗感知算法比較其他的適應(yīng)算法，簇的使用個(gè)數(shù)降低，能耗根據(jù)系統(tǒng)各組件的利用率增高而降低。

關(guān)鍵詞： 云計(jì)算;能耗;BFDP

【Abstract】： With the expansion of the data center， the existing cloud computing resource allocation and scheduling mechanism brings a huge redundant work problem. For this problem， this paper adopts the resource scheduling method of the clustering framework， and proposes energy consumption in this framework. The perceptual model proposes a BFDP （Best-Fit-Decreasing-Power） algorithm to allocate cluster resources without violating the Service Level Agreement （SLAS）， and at the same time can reduce energy consumption. Experiments show that compared with other adaptive algorithms based on the energy-aware algorithm of the clustering framework， the number of clusters used is reduced， and the energy consumption is reduced according to the utilization of all aspects of the system.

【Key words】： Digital watermark; Wavelet packet; Adaptive; Feature of texture

0? 引言

云計(jì)算是新興的計(jì)算模式，是一種新興的服務(wù)模式和商業(yè)計(jì)算模型[1]。云計(jì)算數(shù)據(jù)中心是提供各種資源的平臺(tái)，并且能夠處理和托管各類復(fù)雜的任務(wù)和服務(wù)，有效地分配云計(jì)算資源是決定整個(gè)云計(jì)算系統(tǒng)的工作效率和性能的關(guān)鍵點(diǎn)所在。

隨著云計(jì)算數(shù)據(jù)中心規(guī)模的擴(kuò)大，服務(wù)器在提供資源的過(guò)程中需要消耗大量的能源，能耗過(guò)大，會(huì)導(dǎo)致大量電費(fèi)和溫室氣體的排放[2]。對(duì)于云服務(wù)商來(lái)說(shuō)，成本最小和利潤(rùn)最大是他們一直追求的目標(biāo)，所以降低服務(wù)器產(chǎn)生的能耗顯得十分重要[3]。

對(duì)數(shù)據(jù)中心的能耗研究一直從未停下腳步，現(xiàn)有對(duì)服務(wù)器的節(jié)能技術(shù)大致可以分為兩個(gè)方面，其一是降低服務(wù)器CPU的頻率和電壓，其二是降低服務(wù)器的使用個(gè)數(shù)[4]，包括其他各種方式，這些技術(shù)都可以降低數(shù)據(jù)中心的能耗。

1? 相關(guān)工作

能耗感知算法，顧名思義，需要兼顧能耗和服務(wù)質(zhì)量的多方面的要求，目標(biāo)是在不違背SLA協(xié)議的情況下，實(shí)現(xiàn)物理資源利用的最優(yōu)化。文獻(xiàn)[5]提

出了一種新框架，能提供可擴(kuò)展的、高效的綠色增強(qiáng)云計(jì)算架構(gòu)，該框架采用能量感知的調(diào)度技術(shù)、實(shí)時(shí)遷移和最小的虛擬機(jī)設(shè)計(jì)，以最小的能耗獲得整個(gè)系統(tǒng)的性能的提高。文獻(xiàn)[6]側(cè)重于多層虛擬化系統(tǒng)的資源分配問(wèn)題，既獲得了SLAS的最大收益目標(biāo)，也最大限度地減少能源成本。文獻(xiàn)[7]基于需求預(yù)測(cè)提出一種進(jìn)化優(yōu)化虛擬機(jī)放置算法，算法利用需求預(yù)測(cè)來(lái)分配虛擬機(jī)以及進(jìn)行作業(yè)處理。文獻(xiàn)[8]提出了利用約束滿足問(wèn)題對(duì)異構(gòu)云數(shù)據(jù)中心的能耗優(yōu)化問(wèn)題資源調(diào)度問(wèn)題建模，通過(guò)求解建立的約束模型可以獲得最優(yōu)的資源分配方式，并提出了能耗優(yōu)化的資源分配算法。

文獻(xiàn)[9]通過(guò)分別建立CPU以及內(nèi)存和磁盤(pán)能耗優(yōu)化線性模型，提出一種資源配置的虛擬機(jī)部署方案，找出合適的資源分配。文獻(xiàn)[14]提出了一種基于虛擬機(jī)布局的遺傳算法。該算法最大限度地減少了功耗、資源損耗和熱耗散成本。在文獻(xiàn)[15]中，作者提出了一種基于資源感知的虛擬機(jī)分配算法，并設(shè)計(jì)了資源利用率和多維資源使用模型，以最大限度地提高資源利用率和資源利用率為目標(biāo)，提高資源利用率。

有作者[16]提出了適用于同構(gòu)云數(shù)據(jù)中心的連續(xù)虛擬機(jī)請(qǐng)求的虛擬機(jī)放置算法。另外在文獻(xiàn)[17]中，作者提出了一種改進(jìn)的最佳擬合遞減算法（MBFD），在這些計(jì)算機(jī)上，虛擬機(jī)的CPU利用率按遞減順序排序，并將這些VM放在這些主機(jī)上，從而將云數(shù)據(jù)中心的功耗降到最低。作者[18]提出了一種想法，使資源以平衡的方式被利用，這種方式減少了資源利用的碎片化，同時(shí)也能減少運(yùn)行的物理機(jī)器的數(shù)量和整體的能源消耗。

本文通過(guò)一種將虛擬機(jī)到服務(wù)器的映射問(wèn)題轉(zhuǎn)換成包簇映射問(wèn)題，通過(guò)采用文獻(xiàn)[10]的基本框架，當(dāng)包簇抽象層級(jí)增加時(shí)，簡(jiǎn)化相關(guān)映射問(wèn)題。現(xiàn)有的大多數(shù)能耗模型考慮到能量的消耗與cpu和內(nèi)存的利用率之間為線性關(guān)系，而線性模型適用于的模型參數(shù)是互相獨(dú)立的情況下使用，但是在參數(shù)是相互依賴的情況下，線性模型的建立可能不會(huì)產(chǎn)生準(zhǔn)確的結(jié)果，所以本文采用一個(gè)非線性模型來(lái)研究他們之間的關(guān)系。通過(guò)最佳適應(yīng)下降（Best-Fit-? Decreasing-Power BFDP）算法以降低能耗和最小化簇的個(gè)數(shù)為目標(biāo)，在很好的保證SLA協(xié)議的水平的基礎(chǔ)上，合理實(shí)現(xiàn)相應(yīng)的資源分配。

2? 包簇框架概念

2.1? 包簇定義

現(xiàn)將包和簇來(lái)將虛擬機(jī)-服務(wù)器映射問(wèn)題細(xì)化成一系列小問(wèn)題。我們遞歸定義包為一系列子包的集合，而這些子包是一系列資源共享的虛擬機(jī)的結(jié)合。相似地，簇是數(shù)據(jù)中心拓?fù)湮恢弥形恢孟嘟姆?wù)器或者更低級(jí)別簇的集合，簇?fù)碛械馁Y源是其組成部分的資源之和。所以傳統(tǒng)的以虛擬機(jī)為中心的資源分配就轉(zhuǎn)換成簇資源被合理利用到包中的問(wèn)題，云資源管理優(yōu)化被轉(zhuǎn)換為一個(gè)層次化，遞歸的，分而治之的問(wèn)題。

參考文獻(xiàn)

[1] 趙震， 任永昌. 大數(shù)據(jù)時(shí)代基于云計(jì)算的電子政務(wù)平臺(tái)研究[J]. 計(jì)算機(jī)技術(shù)與發(fā)展， 2015（10）： 145-148.

[2] 陳真勇， 唐龍， 唐澤圣， 熊璋. 以魯棒性為目標(biāo)的數(shù)字多水印研究[J]. 計(jì)算機(jī)學(xué)報(bào)， 2006， 29（11）.

[3] Mustafa S， Bilal K， Madani S A， et al. Performance Evaluation of Energy-Aware Best Fit Decreasing Algorithms for Cloud Environments[C]. IEEE International Conference on Data Science and Data Intensive Systems. IEEE， 2016： 464-469.

[4] Beloglazov A， Buyya R， Lee Y C， et al. A Taxonomy and Survey of Energy-Efficient Data Centers and Cloud Computing Systems[C]. Advances in Computers. Elsevier， Amsterdam. 2010： 47-111.

[5] Duy T V T， Sato Y， Inoguchi Y. Performance evaluation of a Green Scheduling Algorithm for energy savings in Cloud computing[C]. IEEE International Symposium on Parallel & Distributed Processing， Workshops and Phd Forum. IEEE， 2010：1-8.

[6] Mark C C T， Niyato D， Chen-Khong T. Evolutionary Optimal Virtual Machine Placement and Demand Forecaster for Cloud Computing[C]. IEEE International Conference on Advanced Information NETWORKING and Applications. IEEE Computer Society， 2011： 348-355.

[7] Mark C C T， Niyato D， Chen-Khong T. Evolutionary Optimal Virtual Machine Placement and Demand Forecaster for Cloud Computing[C]. IEEE International Conference on Advanced Information NETWORKING and Applications. IEEE Computer Society， 2011： 348-355.

Usman M J， Samad A， Ismail， et al. Energy-Efficient virtualmachine allocation technique using interior search algorithm for cloud datacenter[C]. Student Project Conference. IEEE， 2017： 1-4.

Ruiz M， Asensio A， Velasco L. Minimizing energy costs in federated datacenters under uncertain green energy availability [C]. International Conference on Transparent Optical Networks. IEEE， 2014： 1-4.

Pang C， Hindle A， Hassan A E， et al. What Do Programmers Know about Software Energy Consumption？[J]. IEEE Software， 2016， 33（3）： 83-89.

盧浩洋， 陳世平. 基于包簇映射的云計(jì)算資源分配框架[J]. 計(jì)算機(jī)應(yīng)用， 2016， 36（10）： 2704-2709.

Atiewi S， Yussof S. Comparison between Cloud Sim and Green Cloud in Measuring Energy Consumption in a Cloud Environment[C]. International Conference on Advanced Computer Science Applications and Technologies. IEEE Computer Society， 2014： 9-14.

Li X， Garraghan P， Jiang X， et al. Holistic Virtual Machine Scheduling in Cloud Datacenters towards Minimizing Total Energy[J]. IEEE Transactions on Parallel & Distributed Systems， 2018， 29（6）： 1-1.

陳小嬌， 陳世平. 基于DEA的能耗感知虛擬機(jī)資源分配算法[J]. 小型微型計(jì)算機(jī)系統(tǒng)， 2015， 36（1）： 167-171.

J. Xu， J.A.B. Fortes Multi-Objective Virtual Machine Placement in Virtualized Data Center Environments.In Proc. of IEEE ACM International Conference on Cyber， Physical and Social Computing， Green Computing and Communications， pp. 179-188， 2010.

Gupta M K ， Amgoth T. Resource-aware virtual machine placement algorithm for IaaS cloud[J]. The Journal of Supercomputing， 2017.

Li X， Qian Z， Chi R， et al. Balancing Resource Utilization for Continuous Virtual Machine Requests in Clouds[C]// Sixth International Conference on Innovative Mobile & Internet Services in Ubiquitous Computing. IEEE Computer Society， 2012.

Beloglazov A， Abawajy J， Buyya R. Energy-aware resource allocation heuristics for efficient management of data centers for Cloud computing[J]. Future Generation Computer Systems， 2012， 28（5）： 755-768.

Huang W， Li X， Qian Z. An Energy Efficient Virtual Machine Placement Algorithm with Balanced Resource Utilization[C]// Seventh International Conference on Innovative Mobile & Internet Services in Ubiquitous Computing. IEEE， 2013.