没有合适的资源?快使用搜索试试~ 我知道了~
多目标优化的云环境资源分配与能效利用研究
沙特国王大学学报面向多目标优化的云环境Bela Shrimalia,b,Hiren Patelb一个CU Shah University,Wadhwan City,Surendranagar,Gujarat 363030,Indiab印度古吉拉特邦甘地讷格尔LDRP技术研究所阿提奇莱因福奥文章历史记录:2017年7月8日收到2017年11月9日修订2017年12月1日接受在线发布2017年关键词:能效优化资源分配资源利用云A B S T R A C T云计算是一种混合模式,它利用效用计算,高性能集群计算和网格计算,它提供了各种好处,如灵活性,可扩展性,很少或几乎没有资本投资,灾难恢复,可移动的工作空间等等。然而,由于全球数据中心数量的不断增加,这些数据中心的能耗问题引起了研究人员的关注。资源分配和资源利用是解决能源效率问题的主要标准。在这项研究中,我们的目标是提供能源效率的资源分配使用多目标优化(MOO)方法。在此基础上,提出了基于MOO的虚拟机分配策略,并在CloudSim环境下实现。将结果与现有政策进行比较。结果表明,基于MOO的策略由于有效的资源分配而节省了能源,而不会影响数据中心运营的性能。©2017作者。制作和主办:Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍虚拟化技术的迅猛发展使云计算成为高性能分布式计算时代最热门的领域之一它已经成为一个大型的资源池,提供不同的服务,如平台,软件和基础设施(梅尔和格兰斯,2009年)。平台即服务(PaaS)为最终用户提供了开发、执行和管理应用程序的平台,而无需担心内部基础架构。软件即服务(SaaS)根据最终用户的请求提供部署在互联网上的软件在提供的这三种服务中,基础设施即服务(IaaS)进一步分为三层,即:物理资源层、虚拟资源层和管理工具层(Sosinsky,2010)。物理资源层由传统的数据中心组成*通讯作者:LDRP技术研究所,Gandhi- nagar,古吉拉特邦,印度。电子邮件地址:bela_ce@ldrp.ac.in(B. Shrimali),hod_ce@ldrp.ac.in(H.Patel)。沙特国王大学负责同行审查它包含数千台服务器、网络设备、磁盘和非IT组件,如冷却设备、照明设备、空调等。这些不同的服务可通过虚拟化提供给最终用户。虚拟化是从可用的物理资源生成虚拟计算资源的过程用户的请求基于可用性和配置被分配到这些虚拟计算资源中的一个或多个上。使用称为虚拟机监视器( VMM )或管理程序的组件来执行以虚拟机(VM)形式的虚拟资源的创建和管理。VMM是虚拟资源层的一部分,虚拟资源层包含使用虚拟化技术从物理资源虚拟化的计算或存储资源池。VMM的一些示例是KVM(Kivity等人,2007)、Xen(Barham等人,2003)、VMWare(http:www.vmware.com)和Hyper-V(http://www.example.com)。microsoft.com/hyper-v-server/en/us/default.aspx)。管理工具层负责虚拟资源的管理、核算和监控。OpenNebula(Borja等人,2009)和桉树(Nurmi等人, 2009年)是这一层的例子。云环境中的服务质量(QoS)取决于数据中心物理主机/服务器的性能。包含大量处理元素、辅助存储、内存、网络带宽等的云基础架构。这使得处理来自全球用户的数百万个请求成为可能然而,消费者需要向服务提供商支付使用费。上https://doi.org/10.1016/j.jksuci.2017.12.0011319-1578/©2017作者。制作和主办:Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。制作和主办:Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页:www.sciencedirect.comB. Shrimali,H.Patel/ Journal of King Saud University86122在服务提供商方面,需要强调这种大规模数据中心的维护和管理,以产生收入。由于全球范围内巨大的计算需求,在过去几十年中,数据中心的数量大幅增加。这导致这些数据中心的能源消耗问题,并随后影响环境 和 财 务 影 响 。 例如 , 在 亚 马 逊 的 数 据 中 心 , 它 被 识别 和 报 告(Hamilton等人,(一)与下列事项有关的费用服务器的成本和运营占总预算的53%。ii)能源相关成本约占总预算的42%,其中包括服务器的直接能源消耗19%和基础设施冷却所用的电力约23%。Gartner2007年报告指出,IT行业的碳美国环保署2007年的报告也提到,美国的电力消耗是由数据中心使用的,成本为45亿美元。因此,对于服务提供商来说,考虑这两个主要影响因素,即云中的性能和功耗,是至关重要的。有效的资源分配策略可以用来解决这些因素。该策略应考虑将作业适当地映射到虚拟资源上以及将虚拟资源映射到物理服务器上的过程。在保持性能的同时进行节能资源分配是一个具有挑战性的问题。基于性能和能量的虚拟机分配可以看作是NP完全问题是为了减少能量消耗和提高性能(Mann等人,2015; Ghribi等人,2013; Dabbagh等人,2015;Masdari等人,2016; Jing等人,2013; Raycroft等人,2014;Pandaand Jana,2015; Xiong and Perros,2009).能量消耗和性能之间的平衡是节能和面向性能的调度算法面临的挑战之一。 本文通过多目标优化的方法来解决这一问题,提出了一种新的基于Pareto最优多目标优化的云环境分配算法(MOOA)。多目标优化是对目标集进行系统、同时优化的一种数学方法。与单目标优化不同,多目标优化有一组考虑所有目标的非支配解,称为帕累托最优解(Zitzler和Thiele,1998 ) 。 这 种 帕 累 托 最 优 结 果 被 称 为 帕 累 托 前 沿 ( Zitzler andThiele,1998)。一个简单的单目标优化问题可以用公式表示为min f(x),其中x S,其中S是一组约束。而 多 目 标 优 化 问 题 可 以 表 述 为 : min f1 ( x ) , f2 ( x ) , f3( x ), . . , fn ( x ) ,其 中 x S. 在多 目标 优化 中有 四类 方法(Marler和Arora,2004)。方法与先验衔接的偏好:偏好是由决策者(DM)或用户为不同的目标函数。在阐明目标的优先次序时使用这一技术。用户需要给出优先级,以获得所需的解决方案。方法与后验表达的偏好:用户选择有效的解决方案,从一组解决方案和相应的偏好的目标被敲定。当用户知道非支配解的集合时,使用该没有偏好表达的方法:DM无法始终具体定义偏好在这种方法中不需要偏好它是偏好法先验公式的简化它直接对目标执行操作偏好的渐进式表达或交互式方法:DM需要在每次固定的迭代中给出偏好。DM需要注意对象的偏好,以获得最优解。图中所示的层次结构。1.总结了多目标优化的不同方法。方法的选择取决于问题的类型。它们的比较如表1所示。在此基础上,我们提出了一种适合于我们工作的先验表达方法这是因为用户不知道可能的解决方案/结果,但可以预测/给予非支配目标偏好以生成帕累托前沿。为了做到这一点,我们倾向于使用偏好的先验此外,表2显示了不同的优先偏好表达方法的比较。在此基础上,我们发现偏好先验选择的加权和方法适合于我们的问题,因为权重选择的准确性会产生帕累托最优集。在该方法中,先验权重被赋予不同的目标。这些权重是Fig. 1. 多目标优化的不同方法(Marler和Arora,2004)。●●●●862B. Shrimali,H.Patel/ Journal of King Saud Universityˇ表1多目标优化方法的比较(Marler和Arora,2004)。方法名称关键特性首选目的确定解决方案/指定偏好的先验表达用户在运行优化算法之前指示目标函数或期望目标的相对重要性。事先要求否偏好的后验表达这需要从一组数学上等价的解中选择一个解不需要是逐步表达偏好决策者需要在算法需不断是的无偏好不需要首选项不需要否表2偏好的先验表达的不同方法比较方法名称关键特征偏好清晰度优点缺点代码复杂加权整体准则所有的目标函数组合起来形成一个单一的功能方法参数用于定义首选项它可以在精确定义的偏好下给出最优帕累托集。功效的固定值将限制权重/偏好计算的预测。简单所有目标组合在一起,形成一个每个目标都有一个权重。所 需 的 偏 好 信 息 非 常少。用户未提供大量输入。易于实施。权重选择的准确性将给出帕累托最优集。目标函数的权值需要准确确定,否则无法得到帕累托最优点和最优集。简单词典学目标函数按重要性顺序排列,然后将目标最小化。清楚直接法当多个问题单独解决时,计算费用增加。平均加权并通过引入约束使目标最大化。权重分配给整体功能。它是预定义的。它通过权重的变化提供了完整的帕累托最优集。约束的数量可以增加复杂性的数量。平均指数加权指数是在加权和法给出帕累托最优集合。 使用的参数值较大方法中可能导致数值溢出。复杂加权产品重量作为以下项的幂应用目标函数目标规划目标是为每一个目标.具有不同意义的不明确的A函数被处理。目标是明确的。它具有广泛的应用,因为它实现/优化目标一个接一个。由于权值的特征不明确,无法得到有效的Pareto最优集。无法保证帕累托最优解。无法处理更大的目标。平均平均有界目标函数最小化单个最重要的目标函数,所有其他目标用于为目标函数创建附加约束。不是必须的,而是对目标的限制。一致的变化,ndashD D参数,可以得到完全的Pareto最优集。求解可行域的参数选取比较复杂。平均物理编程它根据以下内容创建效用函数:目标函数、约束和目标清楚为每个目标定制更复杂、更准确的个体效用函数。对目标、限制和要求的目标有相当的了解。复杂实际上是服务提供商多目标优化方法也用于Panda和Jana(2015)中异构云的任务级调度,如相关工作中所 对于资源级调度,研究(Beloglazov 和Buyya,2010 a,b,2012; Dong等人,2013; Buyya等人,2010;Piao和Yan,2010; Zamanifar等人,2012年)专注于VM分配策略。这些分配策略根据性能、能源、网络、数据感知和SLA等不同参数进一步分类(Shrimali和Patel,2015)。此外,其他研究人员(Van等人,2010; Xiao等人, 2013)已经集中于将性能和能量两者考虑为重要参数的VM分配策略。然而,它也显示了这两个参数之间的明显权衡。本文的其余部分组织如下。第2节描述了与该领域相关的工作第三节阐述了多目标优化分配策略,其次是第4节所示的算法。结论和未来的工作在第5节中描述。论文中使用的参考文献列于第6节。2. 相关工作在本节中,我们回顾了最近关于虚拟化计算环境中资源配置的研究。Quang-Hung等人(2014年)已经提出了通过使用能量感知的面向每瓦性能的最佳拟合算法来进行VM的节能调度,其中能量消耗被有效地处理,但是应用程序的执行时间是可考虑的。Calheiros等人(2011)提出了基于虚拟机的节能数据中心架构,该架构执行节能分配和虚拟机实时迁移以及服务器整合。他们的研究声称,B. Shrimali,H.Patel/ Journal of King Saud University863节省目标,性能开销很小。Van等人(2010)提出了一种资源管理框架,它结合了基于实用程序的动态虚拟机配置管理器和动态VM放置管理器。在他们的工作中,功耗和性能问题被建模为约束满足Lee和Zomaya(2012)提出了两种有能量意识的任务整合算法,在该算法上,执行任务的能量消耗被显式或隐式地最小化,而不会降低该任务的性能。他们声称有前途的节能能力,几乎没有性能开销。Xiao等人(2013)已经引入了一种新的算法来有效地防止系统中的过载,同时节省能量。实验结果表明,该方法在主动预防服务器过载方面具有很高的有效性Lin等人(2011)提出了一种基于阈值的动态资源分配方案,该方案根据云计算应用的负载在云计算应用之间动态分配虚拟资源。他们的方案监控和预测云应用程序的资源需求,并相应地调整虚拟资源然而,他们没有考虑能源效率。在我们之前的工作中(Shrimali和Patel,2015),我们已经基于性能和能量对不同的VM分配技术进行了比较研究,这也描绘了这两个因素之间的明显权衡。Jansen和Brenner(2011)中进行的调查和实验包括不同的节能VM分配技术。他们的比较表明,在管理能源的同时,CPU负载增加了 Kusic等人(2009)在有限前瞻控制(LLC)下使用多目标优化方法处理功率和性能。我们认为他们的方法与LLC作为与我们的工作比较的基本方法。在Hameed et al. (2016),Abdul等人已经确定了与节能资源分配相关的一些开放性挑战,并提出了现有技术的研究分类(分为基于硬件和软件)以及各种维度,如资源分配策略,目标函数,分配方法,分配操作和互操作性。此外,作者强调了几个开放的问题,并提出了各种前瞻性的研究方向。 Ghribi等人(2013)已经提出了两种用于基于服务离开时的VM迁移的节能VM调度的调度算法(分配和迁移),其目的是最小化功耗。该问题被认为是NP-难装箱问题。通过实验,作者声称根据系统负载显著节能Masdari等人(2016)将资源分配问题定义为找到虚拟机和物理机的最佳配对。最佳配对被认为是影响性能,资源利用率和功耗。作者调查了各种现有的VM放置机制,并评估其能力和目标。Panigrahia等人(2015)已经认识到最大化资源利用率和最小化能耗之间的权衡,并提出了两种算法(基于SLA的任务合并STC和基于令牌的任务合并DTTC)来降低能耗。通过实验,作者声称这些算法在能源消耗和任务完成数量方面优于FCFS在雾计算的帮助下,Shojafar等人(2016a)试图解决车辆客户端实时云服务中的延迟和延迟抖动问题。作者提出了一种能量有效的自适应资源调度器(NetFC),其目标是最大化总体通信和计算能量效率,同时满足QoS要求(降低传输速率,改善延迟和延迟抖动)。提出的调度器的性能进行了数值测试,对一些国家的最先进的sched- ulers与现实世界的数据集。作者建议考虑作为未来工作的一部分,封闭的联网多层计算基础设施和实时虚拟机迁移用于预测。 Shojafar等人(2016 b)通过考虑流量工程来动态调整活动服务器的数量以适应当前工作负载,从而解决了云数据中心的能效问题。作者提出了一个称为MMGreen的优化框架,用于计算密集型任务,例如具有大量数据的多时间数据处理。通过实验,作者声称在保持SLA的同时实现了节能。Zhao等人(2015年)提出了一个正在进行的资助项目,名为交互式,时间关键和高度自适应云应用程序的软件开发,用于为整个生命周期开发软件方法和工具,解决时间关键应用程序的问题,例如专用基础设施的定制开发和动态基础设施中系统性能的维护。作者提出了一种应用-基础设施协同编程和控制模型的概念,该模型具有可编程性和可控性的功能。Kimovski等人(2016)已经认识到联合云中的可移植性和供应商锁定问题,并提出了一个称为ENTICE的概念,用于VM存储库和操作环境。为了改善加载时间、交付时间和执行时间以及增强QoS,ENTICE通过高效开发和管理VM映像,基于各种因素针对特定云基础设施优化VM映像。作者提出了在多目标优化框架下开发新的基于知识的模型的建议。此外,Panda和Jana(2015)提出了一种多目标优化的加权和方法,用于异构多云环境中的任务级调度。它的目标是最小化完工时间和最终用户的服务总成本。然而,在这项研究中,我们使用多目标优化方法在同构的单一云环境中进行资源级调度。此外,与Panda和Jana(2015)相比,我们的目标是最大限度地减少功耗和违反SLA的情况。因此,在这项研究中,通过考虑能量和性能,我们介绍了一种基于MOO技术,以实现高效的资源分配。3. 系统模型和问题表述在本节中,我们将介绍云的性能和能源(PE)模型。我们还描述了虚拟机分配问题,在我们的工作目标。模型中的细节是从不同的服务提供商的角度考虑一个云包括一个大规模的数据中心的同质物理节点。图2描绘了我们为实验设置考虑的云的整体组织。云服务提供商具有位于不同地理位置的多个数据中心。就功能而言,每个数据中心都是独立的。每个数据中心都由多个集群组成,这些集群基本上只是一组节点。每个集群都维护一个集群控制器(CC),它是一个集中的组件,用于监控其下每个节点的使用状态。每个物理节点由多个虚拟机(VM)组成,这些虚拟机作为虚拟资源的一部分提供根据用户的要求。物理节点的总体利用率与同一物理节点下的虚拟机利用率之和成正比。此后,主机、节点和服务器的名称可以互换使用。我们假设节点处于两种模式,即(i)活动和(ii)空闲。在活动模式下,节点处理请求,而在空闲模式下不处理任何请求。来自不同用户的请求根据资源空房的许多标准等作为利用,864B. Shrimali,H.Patel/ Journal of King Saud UniversityX¼⁄X1¼图二. 云的组织架构资源可用性、来自用户的优先级、主机的预测工作负载等对于我们的模型,我们已经采取了利用率的因素选择的主机。此外,我们认为sider的VM分配请求分配到一个特定的主机的术语的问题此外,基于节点的利用率,可以将新的传入作业请求分配给适当的节点。为此,我们将节点分为三类,即(i)未充分利用(ii)过度利用(iii)适度利用。显然,将新请求分配给已经过度利用的主机可能导致性能下降和SLA破坏,而将这些请求分配给未充分利用的主机将阻止主机在将来关闭。因此,我们看到,适度利用的主机最适合节能和性能感知的分配。因此,考虑节点的利用率以进行适当的节点选择。对于我们的模型,我们假设应用程序的资源需求是静态的,因此,我们的第二个参数,即系统的性能是由部署在系统上的应用程序的性能决定的。它可以由最小吞吐量、最大响应时间和最大扩展时间等特性来确定。由于这些特征可能因不同的工作负载而异,为了评估性能独立的指标,SLA被认为是评估性能的指标(Beloglazov和Buyya,2012)。应用程序的性能受到主机CPU需求波动的影响。 如果虚拟机的CPU需求超过主机的CPU容量,则会导致性能下降,从而违反SLA。当CPU需求高于CPU容量时,VM将迁移到新主机以提高性能。当应用程序的性能下降时,会影响SLA。为了评估SLA违规(SLAV),我们考虑了SLA违规时间/活动节点(SLATAN)和由于VM迁移(PDM)导致的整体性能下降。我们有兴趣选择SLAV较少的主机(Beloglazov和Buyya,2012)。两个测量指标用于计算SLAV:1. 每个活动节点的SLA 违规时间(SLATAN )(Beloglazov 和Buyya,2012年)(其中节点的利用率最高)(等式1)(一)2. 由于虚拟机的迁移(PDM)(Beloglazov和Buyya,2012年)导致的性能下降(等式1)(2))。N在我们研究性能和能耗模型之前,我们想先描述物理服务器的体系结构特征。每个服务器由n个核心组成,每个核心有m个百万SLATAN1Tsi1吨/年ð1Þ每秒指令数(MIPS)容量,即每台服务器的总MIPS容量为n m。我们进一步假设,任何虚拟机所需的MIPS都小于当时可用的主机容量虚拟机到主机的分配。MPDMMj¼1其中,CDJCrj2012年3.1. 性能和能量(PE)模型线性关系(Lin等人, 2015)在处理器利用率和能量消耗之间的关系来选择当前云模型中的服务器。Beloglazov和Buyya(2012)分析了所选服务器在不同负载水平下的功耗,声称理想节点和活动节点的功耗存在小的差异所选服务器的功耗如表3所示。从表中可以看出,一个空闲节点的功耗约为其峰值容量的73.50%。因此,建议关闭这些空闲节点以节省能耗。● N:节点总数。● Tsi:节点i经历完全利用的总时间。● Tai:节点i处于活动状态的总时间。● M:VM总数。● Cdj:由于迁移导致的VMj的性能降级的估计。● Crj:VMj在其生命周期内请求的CPU容量根据以上两点,SLAV(Beloglazov和Buyya,2012)由等式(1)定义。(3):SLAV¼SLATAN×PDM3表3所选服务器在不同负载下的功耗(千瓦时),单位为%Beloglazov和Buyya(2012年)。服务器(%)0%的百分比百分之十 百分之二十百分之三十百分之四十百分之五十百分之六十百分之七十百分之八十百分之九十百分百HP ProLiant G4(千瓦)8689.492.69699.5102106108112114117HP ProLiant G5(千瓦)93.797101105110116121125129133135B. Shrimali,H.Patel/ Journal of King Saud University865ðÞ2主机利用率UH(Beloglazov和Buyya,2012)定义为节点控制器(NC)或集群控制器(CC)适合于它。NC和CC的工作如下所述:UH¼n1/1Uvmi×CvmiCHð4Þ4.1. 节点控制器其中,● n:总数虚拟机在一台主机上。● CH:主机容量,单位为MIPS,定义为Eq.(五)● Uvmi:VM利用率● Cvmi:VM总容量(MIPS)。核心数量×单个核心容量主机能耗EH(Lee和Zomaya,2012年)定义为EHPmax-Pmin×U HPmin6其中,Pmax=峰值负载时的功耗节点控制器的作用是监视和控制主机的利用率它负责设置动态阈值,用于根据利用率值识别过度利用或利用不足的它有两个组成部分:即(i)监控组件(MC)和(ii)决策者(DM)。4.1.1. 监测组件(MC)MC的作用是连续计算和监测主机UH的利用率,使用Eq.(四)、节点每小时利用率按24 h计算由于我们建议使用具有中等利用率的主机进行VM分配,因此需要将数据中心中的所有对于相同的,两个动态阈值(i)上限阈值(ii)下限阈值(iii)上限阈值(iii)下限阈值(iv)上限阈值(iv)下限阈值(iv)上限阈值(iv)下限阈值(iv由NC生成阈值与静态阈值不同,Pmin=活动模式的最小功耗(利用率等于下限阈值,例如,利用率= 30%),UH取自(4)。3.2.虚拟机分配问题问题陈述:给定一组主机H和一组请求R,需要将请求Ri分配给主机Hj,使得能量消耗减少并且SLA违规最小化。4. 该算法动态阈值适用于异构云环境。使用Beloglazov和Buyya(2012)中提出的技术计算上限利用阈值,如等式(1)所示。(7)和(8)。MAD¼中位数i jXi-中位数jXjj;7Uth¼1-S×MAD8其中SR+(R是一组正实数),S是允许调整方法效率基于该上限阈值,计算下限利用率阈值,如等式(1)所示。(九)、Uth-S×MAD(如果MAD620整个系统的功能框图如ð9Þ图3.第三章。最终用户提交的请求将发送到云数据中心特斯 众多节点构成数据中心。 每个节点都有UthMAD否则图三. 系统架构。P866B. Shrimali,H.Patel/ Journal of King Saud UniversityXX←←←←×Þ4.1.2. 决策者(DM)DM的作用是定期分析节点并将状态传递给CC。DM将稳定节点的状态发送给CC。每次当资源被分配或释放以及节点的利用率改变时,它向CC发送消息/节点的性能。4.2. 集群控制器集群控制器(CC)是主机的一部分,它负责创建一个中等规模的主机集群集群控制器的作用如下:1. 虚拟集群的创建:目的是创建一个虚拟集群,其中主机按其利用率的降序排列,以满足能源效率的要求2. 选择节点:它使用多目标优化技术选择主机,以便分配变得节能和高效。CC不断重复该过程。4.3. 多目标优化分配考 虑 到 性 能 和 能 效 是 分 配 的 主 要 标 准 , Shrimali 和 Patel(2015)介绍、分析和比较了许多算法。实验结果表明,在性能和能量之间存在较大的折衷。为了减少这种权衡,我们引入了基于多目标优化的分配策略。基于该算法对请求主机对进行优化选择这个问题可以表述如下:n最小化:Pfi R; H101/1n受:p1;p 2;::pn2PjPj <$111限制第1页其中,P是目标的偏好建议的方法:在这里,我们使用了加权和方法,一种先验的多目标优化方法,其中目标函数的权重是由用户预先决定的所提出的方法的基本思想如下。设f1(x)为性能函数,f2(x)为能效函数.由于我们的目标是通过控制SLA违规和功耗来最小化性能开销,因此我们需要最小化它们的线性组合F(x),定义如下。Fxk×f1x1-k xf2x12其中,k是云服务提供商设置的权重值,06k6x是一个决策变量。在这里,请求服务器R_i_n和主机服务器H_j_n是决策变量的功能进行评估。因此,该函数可以重写为:Calr; hk × f能量Ri; Hj 1-k ×f性能Ri;Hj13其中,f能量 (i)A;Lee和Zomaya(2012)定义了Hj_n;f能量Ri;HjPmax-Pmin×UHPmin14并参考等式。(2)和(1),f为Beloglazov和Buyya(2012)定义的;fperfoRi;HjSLAVSLATAN×PDM15该算法有两个阶段。在第一阶段,该算法通过检查请求队列和稳定寄主(H)。它还将能量和性能函数应用于所选择的请求和服务器对。通过将偏好值k乘以两个函数来生成新矩阵cal。请注意,k的值取决于云服务提供商,介于0和1之间从metric Cal中确定最小值,这将是有效的请求-主机对。使用MOOA的请求-服务器对的算法选择根据请求和主机对的值确定Ri;Hj,如下:首先,它检查请求队列中请求的可用性,并相应地检查每个(请求,主机)对。算法1使用MOOA选择请求、主机对(请求R,主机H)1:如果moderateHostList为NOT NULL,则2:min最小值3:对于requestQueue中的每个R,4:对于moderateHostList中的每个H,校准要求;sk×f能量Ri;Hj1-k×f perfoRi;Hj(13)5:如果(cal(R,H)min),则6:Min cal(i,j)7:要求i8:主机j9:如果结束10:结束11:结束12:return(req,host)13:其他14:对于hostList中的每个H,15:如果H.getUtil位于UpperThreshold和LowerThreshold内,则16:moderateHostList.add(H)17:如果结束18:结束19:按照使用率的降序排列moderateHostList20:如果4.4. 多目标分配:分析最初,当请求在请求队列上可用时,它检查平均主机的可用性。在第一种情况下,当平均主机可用时,总迭代次数为λ×n2×nvm×nh.因此,我们认为,这里k是恒定,它需要On2×nvmOn2×nvm nh时间。在第二种情况下,当hostList为空时,它将检查每个节点的利用率,从而检查迭代次数将为nh:IttakesOnh时间。5. 实验评价在本节中,我们首先从示例评估开始,它描述了使用请求和主机对的评估场景。此外,我们证明了模拟方案的实验结果的帮助下。5.1. 样本评价为了对VM请求分配执行示例评估,我们考虑3个请求和3个主机,其配置分别如表4和表5所示。表6描述了我们提出的算法中使用的不同函数的评估,用于给定请求和主机对的所有可能组合。如表6所示,R1的元组3以及R2和R3的元组5和9分别描述了它选择具有最小能量的请求-主机对B. Shrimali,H.Patel/ Journal of King Saud University867表4请求配置。请求Id核心数量RAM(MB)Cd(估计性能)降解)CPU(MIPS)UTIR1117400.26250020R2217400.5200030R345120.67200050表5主机配置。HostId核心数量RAM(MB)Pmax(瓦特)Pmin(瓦特)TSI泰UTICPU能力H1240961701053024601000H2449961691302040401500H344996120100408802500消费和更少的SLA违规行为。因此,它们的线性组合由函数Cal表示,给出最小值。因此,对于所考虑的主机-请求对,R1和R2被分配给H3,R3被分配给H2。我们可以从表6中分析出,它通过选择具有两个参数的最小值的主机来优化资源分配5.2. 模拟场景我们模拟了我们的算法的性能和能源效率的资源分配。仿真方法是用来重复实验在一个类似的环境下。因此,不同调度策略的兼容是可能的。CloudSim(Calheiros等人,2011年)被选为模拟平台,因为它允许演示具有按需资源配置和管理的虚拟化环境。在我们的模拟中,我们使用了两种类型的800功率主机,即HpProLi- ant G4和HpProLiantG5。此外,为了使用从真实系统收集的工作负载跟踪,PlanetLab(Chun等人,2003)工作负载,包括分散在世界各地的不同主机的虚拟机以5分钟的间隔收集的CPU利用率的不同读数。我们已经考虑了不同VM的随机总计288个读数24小时不同的主机。PlanetLab(Chun等人,2003年)的工作负载覆盖了大约5000台虚拟机的读数。在我们的实验中,我们考虑物理机与多核具有相同的核心容量为每个核心。虚拟机被认为是一种资源请求类型,请求特征被认为是虚拟机的属性,包括。1. 计算节点的处理能力为每秒百万指令(MIPS)。2. 主存储器(RAM),以兆字节(MB)为单位。3. 辅助存储,以兆字节(MB)/千兆字节(GB)/兆兆字节(TB)为单位。物理机/节点和虚拟机的配置分别如表7和表8所示。表9中示出了数据特征。5.3. 实验比较我们已经将我们的多目标优化技术与其他五种现有技术进行了比较,即Round Robin(Sempolinski和Thain,2010)、Watts PerCore(WPC)(Raycroft等人, 2014)、有限前瞻控制(LLC)(Kusic等人, 2009)、非功率感知策略(NPA)(Beloglazov和Buyya,2010 b)和动态电压和频率缩放(DVFS)(Guérout等人,2013年)。这些技术的描述如下:1. Round Robin(Sempolinski和Thain,2010):Round Robin被选择用于实验,因为它是Eucalyptus中的默认调度策略(Sempolinski和Thain,2010)。根据主机的可用资源,按顺序将资源请求分配给主机。对于每个资源请求,策略依次遍历主机,从它离开的地方开始,并再次选择可以为虚拟机提供服务的第一个主机。2. WPC:在先前可用的文献中,每芯瓦特数被确定为最节能的技术(Raycroft等人,2014年)。因此,它被纳入我们的实验中。在该策略中,基于每个主机的电源供应,选择每个CPU核心使用最少额外瓦数来执行任务的主机用于VM请求。3. LLC(Kusic等人, 2009年):基于有限前瞻控制(LLC)的框架被认为是基本方法,并且它被包括在这里,因为它允许在显式操作约束下进行多目标优化,并且适用于具有非线性动态的计算系统,其中控制输入必须从有限集中选择。4. NPA(Beloglazov和Buyya,2010年b)和DVFS(Guérout等人,2013年):两个标准的政策,NPA和DVFS被认为是因为这些技术根据当前的利用率调整CPU的电压和频率。表6评估指标。(R,H)表7物理节点配置。主机类型主机MIPS主机PES(无)主机RAM(MB)主机带宽(bps)主机容量(MB/GB/TB)PowerModelSpecPowerHpProLiant Ml110G4Xeon 304018602409610000001000000PowerModelSpecPowerHpProLiantMl110G5Xeon 307526602409610000001000000元组编号请求R主机HKfenergy(R,H)fperfo(R,H)k/f能量(R,H)(1-k)/fperfor校准(R,H)UTI斯拉坦PDM1R1H10.533550.00001416.50.0000071677.50500.410.0000352R1H20.511700.0000065850.000003585.0033.330.160.0000353R1H30.53000.0000581500.000029150201.60.0000354R2H10.537950.0000351897.50.0000171897.5600.410.0000835R2H20.514300.0000147150.000007715.0400.160.0000836R2H30.53800.000131900.000069190.0241.60.0000837R3H10.563950.0000473197.50.0000233197.51000.410.000118R3H20.57000.000183500.000009350.0401.660.0001119R3H30.524700.00018612359.0.0000931235.066.60.160.0001868B. Shrimali,H.Patel/ Journal of King Saud University表8VM配置。VMVMVM PESVM RAMVM BWVM存储类型MIPS(否)(兆字节)(bps)(MB/GB/TB)125001870100000025002200011740100000025003150011740100000025004500161310000002500表9数据特性(CPU利用率)。工作量宿主数量平均主机关闭时间随机5020PlanetLab800212见图4。 基于功耗的不同策略的比较。5.4. 结果分析虽然通过改变等式中的用户偏好k的值来执行几个实验(12),在本节中,我们讨论具有k值的唯一关键结果,k值显示每个目标的同等优先级(k= 0.5)实验进行多次,结果的平均值被认为是最终结果,如表10所示。结果比较总结见图(4)和图(5)。此外,我们生成k的随机值,为目标分配5.4.1. 对数据中心能耗的影响由于我们的目标之一是最小化数据中心的功耗,我们比较了实验中包括的5台主机的利用率,并选择了利用率平均的主机。为了确定平均利用的主机,计算24小时的利用率。表10中给出的模拟结果表明,与其他分配策略相比,平均利用主机的选择带来了更高的节能。可以注意到,在应用MOOA策略选择(请求,主机)对时,它预测主机可能的功耗,并相应地选择最合适的主机。在24小时的模拟时间段内,以KW/hr的平均值测量能量消耗。从表10中,我们可以注意到,使用MOOA策略,功耗约为30.2 Kw/hr,该值更接近最佳节能技术WPC。这清楚地表明了选择合适的主机的重要性,这可以导致数据中心中的有效功耗。图4描绘了不同策略之间的能量消耗的比较。图5描绘了我们的实验所考虑的各种政策的能耗(以千瓦每小时为单位)。结果表明,WPC在RR 、 LLC 、 NPA 和 DVFS 中 的 性 能 分 别 比 MOOA 高 出 0.43% 、15.76%、398.94%和1939.07%。这里值得注意的是,NPA和DVFS是非功率感知
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- WebLogic集群配置与管理实战指南
- AIX5.3上安装Weblogic 9.2详细步骤
- 面向对象编程模拟试题详解与解析
- Flex+FMS2.0中文教程:开发流媒体应用的实践指南
- PID调节深入解析:从入门到精通
- 数字水印技术:保护版权的新防线
- 8位数码管显示24小时制数字电子钟程序设计
- Mhdd免费版详细使用教程:硬盘检测与坏道屏蔽
- 操作系统期末复习指南:进程、线程与系统调用详解
- Cognos8性能优化指南:软件参数与报表设计调优
- Cognos8开发入门:从Transformer到ReportStudio
- Cisco 6509交换机配置全面指南
- C#入门:XML基础教程与实例解析
- Matlab振动分析详解:从单自由度到6自由度模型
- Eclipse JDT中的ASTParser详解与核心类介绍
- Java程序员必备资源网站大全
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功