徐勝超 毛明揚(yáng) 陳 剛

（廣州華商學(xué)院數(shù)據(jù)科學(xué)學(xué)院 廣州 511300）

1 引言

云計(jì)算在使用過程中能耗過大是比較棘手的問題［1］，近年來國內(nèi)外專家針對降低云計(jì)算能耗的方法開展了深入研究，得出能耗高的原因：其一是數(shù)據(jù)量的增多，其二是云資源部署不合理［2］。隨著云計(jì)算的廣泛應(yīng)用，數(shù)據(jù)中心數(shù)量急劇增多，能耗問題愈發(fā)嚴(yán)重。為了進(jìn)一步優(yōu)化云資源部署能力，有效降低資源能耗，相關(guān)的云資源低能耗部署方法引起了學(xué)者的關(guān)注。

文獻(xiàn)［3］比較了不同的容器云調(diào)度算法，考慮了容器云任務(wù)調(diào)度的不同細(xì)微差別，包括任務(wù)長度、任務(wù)完成時(shí)間、虛擬機(jī)配置和任務(wù)截止時(shí)間，同時(shí)還包括容器，這確保調(diào)度器在容器環(huán)境中有效工作，以提高容器云部署的效率。但是該方法調(diào)度過程中能耗消耗較多。文獻(xiàn)［4］提出了帶約束修復(fù)的樹形調(diào)度目標(biāo)模型，采用優(yōu)先級綜合多個(gè)子目標(biāo)并將其歸屬于不同樹形分支下的子空間，構(gòu)建了容器云資源均衡調(diào)度模型。但是該方法極易出現(xiàn)不可用節(jié)點(diǎn)或主機(jī)被開啟的情況，存在平臺資源利用率低及負(fù)載均衡差的問題。文獻(xiàn)［5］提出了基于多維資源空閑率權(quán)重的評價(jià)函數(shù)和調(diào)度方法，利用模糊層次分析法自動(dòng)建模求解容器應(yīng)用多維資源權(quán)重參數(shù)，均衡了集群多維資源利用率。但是該方法不能實(shí)時(shí)監(jiān)測部署過程中的能耗。

文獻(xiàn)［6］提出了一種離散Pareto 花朵授粉算法對問題進(jìn)行求解，構(gòu)造了離散異花授粉行為和離散自花授粉行為，并將離散算法與多目標(biāo)優(yōu)化策略相結(jié)合，提升了算法的適用性。綜上所述，一方面容器云急需降低能耗，另一方面花朵授粉算法可以采用多目標(biāo)優(yōu)化的方式有效提高容器云平臺的物理資源的利用效率與降低能耗，因此，本文提出了基于花授粉算法的多目標(biāo)優(yōu)化容器云資源低能耗部署方法，最后利用實(shí)驗(yàn)的方式驗(yàn)證了我們的思路與性能。

2 容器云資源能耗分析

2.1 能量消耗的數(shù)學(xué)模型

在有m個(gè)物理主機(jī)和n個(gè)容器的云平臺中，云資源部署的能量消耗主要來自固定和遷移兩部分，經(jīng)實(shí)驗(yàn)發(fā)現(xiàn)，云資源能耗與物理主機(jī)的資源利用率有較大關(guān)聯(lián)［7］，因此t時(shí)刻物理主機(jī)的能耗為E(Ucpu(t))表示物理主機(jī)CPU 的能耗，E(Umem(t))物理主機(jī)的內(nèi)存能耗E(Udisk(t))物理主機(jī)的磁盤能耗，E(Ubw(t))物理主機(jī)的網(wǎng)絡(luò)帶寬能耗。這樣第i個(gè)物理主機(jī)在[ta,tb]時(shí)間段的總體能量消耗Ei可以按照式（2）來計(jì)算：

考慮到容器云資源調(diào)度過程中的能耗除了硬件資源利用率實(shí)時(shí)變化產(chǎn)生的能耗外，還包括容器遷移能耗，在容器云平臺中，由于用戶需求的差別，系統(tǒng)的負(fù)載均不相同，當(dāng)云資源利用率較低時(shí)，為降低能耗需要遷移容器［8］，遷移過程必須實(shí)時(shí)關(guān)注容器的遷移量，若遷移量較大會直接影響容器云平臺性能，升高SLA（服務(wù)等級協(xié)議）違約率。基于系統(tǒng)各部位的資源利用率以及能耗公式得出容器遷移開銷，其計(jì)算公式為

其中，j代表容器，vj(t)代表t時(shí)刻的第j個(gè)容器處理器利用率，t1代表容器開始遷移的時(shí)間，tkj代表容器完成遷移所需的時(shí)間。

式中，Vj代表容器遷移開銷。由于容器遷移開銷是影響容器云資源調(diào)度能耗的重要影響因素，因此容器云資源能耗分析過程中重點(diǎn)計(jì)算容器遷移開銷。整個(gè)容器云平臺的能量消耗為

2.2 容器遷移方法與目標(biāo)函數(shù)

在遷移過程中利用三個(gè)閾值的容器遷移方案完成遷移，其核心思想是當(dāng)物理主機(jī)負(fù)載過輕或過重時(shí)即刻遷移容器，負(fù)載過輕的主機(jī)為之匹配合適的主機(jī)，同時(shí)關(guān)閉無用主機(jī)進(jìn)而降低能耗，過重的主機(jī)通過遷移提高CPU利用率，無需遷移處理的僅為負(fù)載合理的主機(jī)［9］。

遷移容器時(shí)，需要根據(jù)實(shí)時(shí)負(fù)載情況選擇容器遷移方法，遷移容器的選擇主要方式有以下四種。

1）最低增長方法

這種容器遷移方法就是當(dāng)容器云平臺主機(jī)出現(xiàn)負(fù)載過重時(shí)，從所有CPU中選取出利用率最大的容器，對該容器實(shí)施遷移處理，以此保證主機(jī)CPU利用率小于閾值C，則此時(shí)的容器選擇目標(biāo)函數(shù)為

式中，G代表主機(jī)負(fù)載集合，β(Uj)代表j個(gè)容器集合的冪集，Uj代表j個(gè)容器集合，vj(t)代表容器j的CPU利用率，v(u)代表負(fù)載u占主機(jī)的CPU利用率，a和b均為CPU利用率的位置標(biāo)識。

2）最高增長方法

此方法的主要實(shí)現(xiàn)方式就是若物理主機(jī)負(fù)載過重，立即在主機(jī)中選取CPU 利用率最小的容器，并對其遷移處理，實(shí)現(xiàn)物理主機(jī)CPU利用率小于閾值C的目的，此方式下的容器選擇目標(biāo)函數(shù)為

公式中字母和符號的含義與最低增長方法中的含義一致。

3）混合增長方法

混合增長方法就是在物理主機(jī)負(fù)載過重時(shí)，第一時(shí)間選取出CPU利用率最小的容器，并對其完成第一次遷移處理，再提取出CPU 利用率最大的容器，完成第二次遷移，最后不斷循環(huán)操作上述步驟，直至CPU 利用率小于閾值C，混合增長方法下的容器選擇目標(biāo)函數(shù)為

4）隨機(jī)選擇模式

這種容器選擇策略的核心思想就是在物理主機(jī)發(fā)生負(fù)載過重時(shí)，在主機(jī)中隨機(jī)選取出部分容器，并對其遷移處理，隨機(jī)選擇模式下的容器選擇目標(biāo)函數(shù)為

公式中字母和符號的含義與最低增長方法中的含義一致。通過以上計(jì)算和約束條件分析，可以得出云資源部署過程中所需要部署的容器，將不必要的容器進(jìn)行關(guān)閉，降低能耗，同時(shí)結(jié)合能耗模型計(jì)算容器云資源調(diào)度所需的最低能耗，最大程度降低資源部署的能耗。

3 基于花授粉的云資源低能耗部署方法

通過計(jì)算云資源相應(yīng)能耗對容器進(jìn)行遷移，并根據(jù)實(shí)際遷移情況選擇容器，以此保證云資源在運(yùn)行過程中能耗最低，在此基礎(chǔ)上利用花授粉算法［10］得出每個(gè)被選中容器最合理的位置，花授粉算法（Flower Pollination Algorithm，F(xiàn)PA）是仿生智能算法的一種，即模擬花朵傳粉機(jī)制在全局中找出每個(gè)容器最優(yōu)的部署位置，這種算法的操作簡單，結(jié)構(gòu)新穎，可有效解決混合數(shù)據(jù)聚類難的問題［11～12］。

在容器云資源能耗分析的基礎(chǔ)上，基于花授粉算法的云資源低能耗部署，具體步驟如圖1所示。

圖1 基于花授粉算法的容器云資源低能耗部署流程

步驟1 初始化花授粉算法相應(yīng)參數(shù)。

步驟2 計(jì)算容器云資源種群的半徑R，并求解出種群內(nèi)每個(gè)個(gè)體的適應(yīng)度值［13～14］，對在R半徑內(nèi)符合歐式距離的個(gè)體，同時(shí)記載每個(gè)種群中的最優(yōu)和最差個(gè)體。

步驟3 求解上述記載容器云資源個(gè)體對應(yīng)的解，同時(shí)對其實(shí)施越界處理，其計(jì)算公式為

步驟4 在花授粉算法中計(jì)算出容器云資源個(gè)體的適應(yīng)度值［15］，利用適應(yīng)度評判種群內(nèi)每個(gè)個(gè)體的優(yōu)劣，假設(shè)適應(yīng)度值為F(X′)，基于適應(yīng)度值必須為非負(fù)的要求，對其做出以下調(diào)整，即：

式中，F(xiàn)′l(X′)代表完成調(diào)整后的適應(yīng)度值，fl(X′)代表未經(jīng)過調(diào)整的適應(yīng)度值，F(xiàn)(X′)min代表未經(jīng)過調(diào)整的最小適應(yīng)度值，F(xiàn)(X′)max代表未經(jīng)過調(diào)整的最大適應(yīng)度值，代表調(diào)整系數(shù)。

容器云資源種群優(yōu)劣的衡量方法是對種群中個(gè)體適應(yīng)度平均值與種群適應(yīng)度最大值進(jìn)行比較，若兩者之差小于設(shè)定的最小正數(shù)χ，則說明此時(shí)部署的容器個(gè)體較優(yōu)，兩者之差大于設(shè)定的最小正數(shù)χ，則說明此時(shí)部署的容器個(gè)體較差。

步驟5 將每個(gè)子容器云資源種群適應(yīng)度最高的視為精英，并對最差容器個(gè)體開展初始化處理。

步驟6 達(dá)到迭代次數(shù)后更新最差容器云資源個(gè)體，反之，返回第3步重新計(jì)算。

步驟7 輸出容器云資源部署的最優(yōu)解并計(jì)算，得出的最優(yōu)解就是容器云資源最終的低能耗部署結(jié)果，從而實(shí)現(xiàn)容器云資源低能耗部署。

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證基于花授粉算法的容器云資源低能耗部署方法的整體有效性，將引言中提到的其他容器云調(diào)度方法文獻(xiàn)［3］云環(huán)境下任務(wù)調(diào)度算法的統(tǒng)計(jì)評估方法和文獻(xiàn)［4］基于多目標(biāo)的容器云任務(wù)調(diào)度算法作為對比方法，進(jìn)行平臺資源能耗、部署完成時(shí)間以及負(fù)載均衡對比測試，測試結(jié)果如下所示。

4.1 實(shí)驗(yàn)設(shè)置

本文基于Cloudsim 5.0工具包實(shí)現(xiàn)了容器云資源低能耗部署，表1 給出了容器云資源低能耗部署過程中的物理主機(jī)和虛擬機(jī)的參數(shù)配置情況，為了測試的統(tǒng)一性，表1 所示的物理主機(jī)都是相同的配置。表2給出了花授粉算法的參數(shù)設(shè)置。

表1 物理主機(jī)和虛擬機(jī)的參數(shù)配置

表2 花授粉算法參數(shù)設(shè)置

在表1 物理主機(jī)和虛擬機(jī)的參數(shù)配置的基礎(chǔ)上，實(shí)驗(yàn)過程中在Cloudsim 5.0 中模擬仿真了50 個(gè)虛擬節(jié)點(diǎn)和50 個(gè)物理節(jié)點(diǎn)，每一個(gè)物理節(jié)點(diǎn)上只有一個(gè)虛擬節(jié)點(diǎn)，隨機(jī)設(shè)置虛擬節(jié)點(diǎn)的性能和已部署的容器個(gè)數(shù)，以模擬出集群不同負(fù)載的情況。

由于本文在容器遷移過程中根據(jù)不同的負(fù)載情況，選擇了最低增長法、最高增長法、混合增長法以及隨機(jī)選擇模式四種方式，因此在實(shí)驗(yàn)前，首先確定本文基于花授粉算法的容器云資源低能耗部署方法的容器遷移方式。設(shè)置部署過程中的負(fù)載均為0.8，隨機(jī)選取五組需要部署的資源，分別編號為1～5，每組需要部署的資容器云資源任務(wù)數(shù)分別為300個(gè)、400個(gè)、500個(gè)、600個(gè)和700個(gè)，利用四種方式對五組容器云資源進(jìn)行部署，得出每種方式的部署效果，如圖2所示。

圖2 四種方式對五組容器云資源的部署效果

根據(jù)圖2 可知，四種方式對五組容器云資源的部署成功率均高于80%，相比而言，隨機(jī)選擇模式較最低增長法、最高增長法和混合增長法的部署成功率更高，完整度更好。其主要原因是在同樣的負(fù)載情況下，隨機(jī)選擇模式可以根據(jù)運(yùn)行情況隨機(jī)部署容器，調(diào)整容器選擇以適應(yīng)不同組別實(shí)驗(yàn)環(huán)境，而不是單一地利用某一個(gè)容器完成遷移和部署，加強(qiáng)了部署能力，優(yōu)化了部署效果。

綜上所述，本文實(shí)驗(yàn)過程中的容器部署方式選擇隨機(jī)選擇模式，并與云環(huán)境中任務(wù)調(diào)度算法、基于多目標(biāo)的容器云任務(wù)調(diào)度算法進(jìn)行對比。

4.2 結(jié)果分析

4.2.1 容器云資源能耗分析

容器云計(jì)算平臺中會部署大量的計(jì)算資源，從而滿足用戶的需求，部署方法會為了加強(qiáng)部署能力利用大量能耗支撐部署效果，但也因此造成了浪費(fèi)。為了比較三種方法的優(yōu)劣，在同一環(huán)境下保證三種方法的資源部署效果一致，判斷每種方法在不同任務(wù)下所需的能耗。

為了確保實(shí)驗(yàn)準(zhǔn)確性，降低實(shí)驗(yàn)偶然性，在15組不同大小的云容器中進(jìn)行資源部署，每種方法下的能耗結(jié)果如表3所示。

表3 三種方法的容器云資源能耗（焦耳J）

根據(jù)表3 可知，隨著容器云大小的增大，三種方法的資源部署能耗隨之增高，每組實(shí)驗(yàn)下云資源能耗最低的均是花授粉方法，且遠(yuǎn)低于其余兩種部署方法，由此證明花授粉方法能耗最小。其主要原因是花授粉方法采用了隨機(jī)模式下的容器調(diào)度策略與算法調(diào)優(yōu)，減少了錯(cuò)誤部署策略的生成率，降低了能耗。

4.2.2 部署完成時(shí)間

容器云資源部署方法關(guān)鍵評價(jià)標(biāo)準(zhǔn)就是部署完成時(shí)間，為了降低容器云計(jì)算平臺能耗，在部署前均需要計(jì)算部署必需的能耗，將無用部分關(guān)閉降低能耗，從而加長容器云計(jì)算平臺資源部署時(shí)間。

現(xiàn)隨機(jī)選取五組需要進(jìn)行部署的資源，對每組資源進(jìn)行編號，分別是編號1到編號5，每組需要部署的資源任務(wù)數(shù)均不相同，實(shí)驗(yàn)編號1 到實(shí)驗(yàn)編號5與之對應(yīng)的部署任務(wù)數(shù)分別為100個(gè)、150個(gè)、200個(gè)、250個(gè)和300個(gè)，在上述實(shí)驗(yàn)環(huán)境下利用三種方法對五組資源進(jìn)行部署，得出每種方法完成部署所需的時(shí)間，實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 三種方法資源部署所需時(shí)間

根據(jù)圖3 可知，本文方法完成部署所需的時(shí)間低于其余兩種方法，且每組實(shí)驗(yàn)均是本文方法用時(shí)最少，其次是基于預(yù)測的資源部署方法，這是因?yàn)楸疚姆椒ㄔ趯θ萜髟瀑Y源進(jìn)行部署過程中隨機(jī)選取出部分容器，并對其遷移處理，調(diào)整容器選擇以適應(yīng)不同組別實(shí)驗(yàn)環(huán)境，而不是單一地利用某一個(gè)容器完成遷移和部署，加強(qiáng)了部署能力，降低部署所需時(shí)間。

4.2.3 部署后容器云負(fù)載均衡比較

云計(jì)算平臺保持負(fù)載均衡是保證平臺性能的必要手段，只有負(fù)載平衡才能最大程度地發(fā)揮每個(gè)容器的作用，且當(dāng)云計(jì)算平臺保持負(fù)載平衡時(shí)，各個(gè)節(jié)點(diǎn)均處于平穩(wěn)狀態(tài)，更有利于云資源的部署，所以云計(jì)算平臺的負(fù)載均衡程度也是衡量云資源部署好壞的標(biāo)準(zhǔn)指標(biāo)。

在同一環(huán)境下對比五組不同任務(wù)數(shù)下每種方法的負(fù)載均衡方差，如式（11）：

式中，S代表負(fù)載均衡方差；xa和xa?分別代表實(shí)際和測量緩存丟失率；yb和yb?分別代表實(shí)際和測量緩存命中率；zc和zc分別代表實(shí)際和測量后端吞吐率；N代表任務(wù)數(shù)。負(fù)載方差越小說明該方法的負(fù)載均衡能力越強(qiáng)，即部署方法越好。

根據(jù)圖4 可知，每組實(shí)驗(yàn)下均是本文方法的負(fù)載均衡方差最小，說明本文方法的部署性能最穩(wěn)定，部署性能最高。其主要原因是，本文方法通過多次迭代更新了最差個(gè)體位置，獲取了最佳個(gè)體，降低了最終部署方案的負(fù)載均衡方差。

圖4 三種方法的負(fù)載均衡方差

5 結(jié)語

容器云是比較先進(jìn)的云計(jì)算技術(shù)，可不限制用戶數(shù)量的提供數(shù)據(jù)資源，同時(shí)實(shí)現(xiàn)數(shù)據(jù)的共享，最大程度地提高資源的利用率，也提高云服務(wù)的收益，本文提出了基于花授粉算法的容器云資源低能耗部署方法，對相關(guān)云資源數(shù)據(jù)進(jìn)行預(yù)處理，最大程度降低資源部署的能耗，并在花授粉算法的幫助下完成資源部署，實(shí)現(xiàn)容器云資源低能耗部署，解決了平臺資源利用率低、部署完成時(shí)間長以及負(fù)載均衡差的問題，下一步研究將針對部署過程中的資源違約率問題進(jìn)行分析。