2022年服务器整合性能与能耗权衡的评估

BenchCouncil交易基准，标准和评估2（2022）100060评论文章服务器整合中的性能和能耗权衡Belen Bermejo，Carlos Juiz西班牙巴利阿里群岛大学计算机科学系A R T I C L E I N F O关键词：物联网整合性能能源服务器基准测试A B S T R A C T服务器整合是用于提高数据中心能效的技术之一。然而，尽管如此，服务器整合在性能降级和必须量化以进行管理的能耗之间具有固有的折衷。在本文中，2指数被提出来量化上述权衡。我们验证了使用2 通过实际实验进行索引。此外，这些观察导致我们建议第二个贡献，重点是合并管理费用。我们提出了一个通用的方法来量化这种开销，并能够管理其对性能下降的影响。总之，本文通过2. 指数和服务器合并确定方法。1. 介绍在过去的几年里，组织开始关注信息技术（IT）对能源消耗的影响。出于这个原因，绿色IT计划似乎使公司更加环保[1，2]。这些发电中心消耗大量的电力，并以二氧化碳的形式排放温室气体.在当前的数据中心中，30%的服务器甚至没有使用，或者它们的利用率非常低，大约为5%此外，服务器是一个数据中心最耗电的设备[5]。在过去的几年中，绿色IT被用作一个保护伞，涵盖了服务器整合和电源管理等重叠的概念。然后，绿色IT的愿望是在使用IT设备时实现更高的能源效率，并提高我们中心已安装设备的利用率-使用虚拟化技术，特别是服务器整合技术[1]。服务器整合技术基于使用机器迁移在不同物理服务器之间重新分配虚拟服务器（可以是虚拟机）（见图10）。①的人。因此，物理服务器的利用率增加，并且可以减少接通的物理服务器的数量。因此，服务器整合提高了物理服务器的利用率。然而，由于可能关闭一些物理服务器，因此降低了功耗。然而，正如[6]所述，能耗取决于虚拟化固有的开销。虚拟化开销是物理服务器由于被虚拟化而必须执行的额外工作负载，即任务 管理虚拟机和协调对物理*通讯作者。电子邮件地址：Belen. uib.es（B. Bermejo）。https://doi.org/10.1016/j.tbench.2022.100060资源因此，合并虚拟机的数量越大，由于同时要求资源访问的协调，开销就越高[5]。在某些情况下，节能没有得到补偿的性能退化，这将是非常高的。那时也会出现相反的情况，即性能高的服务器可能无法补偿性能降低的服务器[5]。目前的挑战如何确定整合后的服务器在能量消耗和性能退化方面是否有效。因此，在这项工作中，我们试图解决的研究问题是：可以量化的物理服务器的性能和能源的权衡时，整合虚拟机？2. 现有技术在这项工作中，我们有兴趣在服务器整合的角度来看，跟踪这些问题的管理，提出了几个指标来量化的性能和效率的一个数据中心和服务器。主要开发的工作[7]探索了目前可用于测量众多核心基础设施组件行为的各种指标。此外，他们还提出了一种基于中心维度的度量分类法。此外，作者认为，新的指标的设计，考虑因素，如位置和资源的协同定位，以协助战略中心的设计和运营过程。作者宣布的挑战之一是，很难知道作为操作系统和虚拟机的核心子组件的能耗。因此，在这项工作中，我们接收日期：2022年4月26日;接收日期：2022年5月10日;接受日期：2022年5月10日2022年5月25日网上发售2772-4859/©2022作者。Elsevier B. V.代表KeAi Communications Co. Ltd.提供的出版服务。这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect标准和评价期刊主页：https://www.keaipublishing.com/en/journals/benchcouncil-transactions-on-benchmarks-standards-and-evaluations/BenchCouncil交易基准，B. Bermejo和C.茹伊斯BenchCouncil交易基准，标准和评估2（2022）1000602Fig. 1. 虚拟机整合，来自[9]。提出了一个性能-能源权衡的指标，其中考虑到分配的虚拟服务器的数量一方面，性能度量试图量化服务器或数据中心完成的工作量的适用性。可以直接从系统中监控这些值或者说，“八”。以相同的方式，能量和功率度量量化中心和/或物理服务器的功率或能量的消耗。为了同时考虑上述两个方面，有必要测量性能和能量之间的关系。这些指标与服务器或数据中心的性能以及功率或能量消耗有关。[7]中显示了在不同级别的数据中心的电源管理指标和技术。系统管理员可以从软件和硬件优化中测量信息。在这项工作中，我们专注于有关面向软件的优化（特别是虚拟机整合）的指标，以及面向硬件的优化（专注于物理服务器中的功耗和能耗降低）。正如我们可以从以前的作品中观察到的那样，所有使用的指标都集中在性能下降和能耗上，但是，他们没有考虑整合虚拟服务器的事实。然后，使用当前的指标，不可能知道整合服务器的效率，或者在特定场景中哪个虚拟服务器数量更有效。因此，据我们所知，这是第一次定义度量标准，以量化服务器整合中的性能和能源权衡。3. 中国经济指数在本节中，我们提出了一个新的指标：CPU-服务器饱和度的综合指数（Consolidated index for CPU- Server Saturation，CPU-服务器饱和度2），它试图量化性能和能源权衡，同时考虑到每台服务器的综合虚拟机（或容器）数量[10]。该指数被定义为加速的乘积，性能和所消耗的能量的比率（参见等式11）。①①）。性能的加速计算为整合方案的平均响应时间与物理服务器执行时间之间的比率（���������=������scin������）。 以同样的方式，消耗的能量的比率是在综合情景中消耗的能量与物理能量之 间 的 划 分 （���������=������闪烁������）[10]。因此，这是一个简单的二次效率，也是一个名称，2.此外，在Fig. 2表示了根据合并的虚拟机（或容器）的可能数量的期望索引纵轴表示综合性能和能效值。水平轴表示要合并的机器数量，它们要么在中心可用，要么只考虑未来的产能规划和预测瓶颈。���������2=���������⋅���������(1)图二.2 索引值和参考对角线。3.1. 图示和解释关于整合机器数量的增加，第二类索引值的表示将是一个正方形，其中参考对角线将高性能和低能量的场景配置与关于以下经验法则的降级和/或消耗过多能量• 整合到一台物理机中的虚拟机的速度应该比虚拟机物理机慢1.5倍（线性性能下降）。• 一台物理机中的虚拟机消耗的能量应该与虚拟机消耗的能量一样多（节能）。一方面，物理服务器中托管的虚拟服务器越多，性能下降越多，因此，由于平均响应时间的增加，能耗将增加。另一方面，使用的物理机器越多，消耗的功率就越多，因此，能量也会增加。因此，我们认为有可能衡量这两种情况之间的平衡。因此，2索引比较了不同服务器整合方案之间性能-能源权衡的不同配置。从能量效率的角度来看，通过2示出的平衡效率度量应该是其中多个虚拟服务器中的多个合并的物理机的平均能量与使用对应的物理机的平均能量完全相同的度量，即能量比等于1（= 1）。然而，从性能加速的角度来看，通过2所示的均衡效率应该是性能下降是线性的，即，减速与每个物理机的合并虚拟服务器的数量相同，即 是机器的数量（= ）。3.2. 的所希望的值2是性能和能量加速的乘积的结果， 索引用作合并的限定符与应用经验法则描述的平衡（和悲观）参考对角线因此，我们还将2参考对角线定义为将“无效”CiS2值（线上方）与“有效"2值（线下方）分开的假想边界，如图2所示。 3. 该参考对角线表示B. Bermejo和C.茹伊斯BenchCouncil交易基准，标准和评估2（2022）1000603图三.理想值o2指数。表1实验的物理服务器服务器CPU数量RAM大小（GB）富士通RX 600 S5Dell PowerEdgeT330 16 16Dell PowerEdgeT430 16 8Dell PowerEdgeR310 4 4Dell PowerEdgeT3400 2 8在性能和能量方面的合并，使得增加合并将意味着成比例地降低性能，并且还意味着通过能量交换功率[11]。具有两个不同的区域来区分一个服务器的不同整合，或者比较不同服务器在���������系统管理员索引。任何合并配置都是更有效或更低效的，这取决于索引到参考对角线的欧几里得距离，分别在参考对角线的上方或下方，如图所示。 3 a.例如，图3b中的点2位于绿色区域，它比点1更有效，因为它远离对角线。相反，在3b中表示的点3（其在红色区域上）比点4更有效，因为它比点4更靠近对角线3.3.2 指标评价在实际的实验中，应该考虑几个因素，例如虚拟机管理程序类型、基准测试或工作负载类型以及服务器硬件功能。为了简化这些因素，我们使用黑盒模型来表示系统。工作负载在系统（整合服务器）中提交，我们监控系统行为（平均响应时间和功耗），直到工作负载完成[12，13]。实验设置由一组不同的物理服务器组成，表1中描述了CPU数量和RAM大小。此外，功耗是由Chroma 66200功率计测量的，用于部署整合的虚拟机管理程序是KVM，Virtual Box和Docker。此外，重要的是要注意，物理CPU在饱和条件下执行工作负载，即利用率约为100%。选定的工作负载是Sysbench-CPU和Stress-ng，它们是基于密集型的CPU工作负载[14]。2见图4。2 索引值。图五、2个指标值， 适用于不同的 工作负载。虚拟机服务器需要有一个良好的虚拟机2值。接入点取决于物理服务器，因此，它取决于服务器拥有的物理资源此外，指数的图形表示使我们以区分高效和低效整合配置。例如，以图4中的T430服务器为例，可以观察到，因为它在对角线下方，所以k= 6比k= 3更有效。此外，对于HPI服务器，因为它远离对角线，所以n= 4比n= 3此外，在Fig. 5中 的Sysbench工作负载的 2 索引显示了与T430服务器的Stress-ng工作负载的比较。可以观察到，对于不同性质的CPU工作负载，3.4. ���������评价第二个指数的行为是相同的。它开始变大，到了临界点后就变小了。此外，对于图4函数中每个物理服务器的2个值可以示出合并的虚拟机的数量。第一个可以观察到的是，这两个值具有相同的形状，也就是说，当物理机具有一定数量的分配的虚拟机时，它开始递增，然后下降。因此，存在一个确定最小合并数的最小值点，两个工作负载。在前面的部分中，我们指出，服务器的基准测试和比较可以使用MySQL2索引。图图6显示了物理服务器的整合效率，其中考虑了1000万2的值。 可以观察到，RX服务器是最高效的，因为它最低点处的最小值为最小值。B. Bermejo和C.茹伊斯BenchCouncil交易基准，标准和评估2（2022）1000604见图6。服务器选择取决于从基准测试中获得的参数值（按服务器效率排序）。见图7。 服务器整合开销来源。4. 合并间接费用量化法正如我们在之前的结果中所观察到的那样，虚拟机2指数的值取决于硬件功能、分配的虚拟机数量和工作负载性质，以及服务器整合所固有的性能下降。因此，这项工作的第二个贡献是关于服务器整合开销[9]。服务器整合开销定义为系统为管理整合而必须执行的额外工作负载。这种额外的工作负载来自于拥有一个虚拟机管理程序以及当前从多个整合的虚拟机（或容器）访问物理资源的事实。因此，开销(see图7）[15]：• 虚拟化：虚拟化的开销。• 合并费用：合并的间接费用。关于服务器整合开销，目的是提供一种通用的量化方法。让我们将整合服务器的平均响应定义为具有单个整合虚拟机的物理服务器的平均响应时间和物理服务器的平均响应时间。可以定义为以下两者之间的差异：和（参见Eq. （2））。以同样的方式，可以被定义为和之间的差异（见方程。（三））。���������=������ −���������(2)���������=������ −������(3)所提出的方法的主要优点是，它可以应用于考虑任何物理服务器、虚拟机管理程序和工作负载类型的任何整合场景。所提出的方法的评估进行了使用以前的实验设置，监测所需的情况下的平均响应时间。我们为每种合并配置表示的值和有用功的百分比。的有用见图8。 T430服务器和KVM虚拟机管理程序的整合开销表示。见图9。T430服务器和Virtual-Box虚拟机管理程序的整合开销表示。work表示系统仅执行工作负载（在本例中为CPU操作）的时间部分图在图8和图9中，表示了T430的值（蓝色）、（橙色）和工作百分比（灰色），这些值是整合的虚拟机数量的函数。可以观察到，对于KVM管理程序，和的值小于Virtual-Box管理程序的值。此外，可以看到这些值取决于整合的机器和虚拟机管理程序的数量。然而，在任何情况下，整合都不是免费的，Virtual-Box虚拟机管理程序配置的整合率超过50%。5. 结论和今后的工作本文旨在衡量服务器整合中的性能-能源权衡。考虑到性能和能量之间的关系，由于没有指标来捕获如何管理服务器整合，因此提出了2指数来实现这一目标。如结果所示，该索引可以应用于任何类型的服务器，在任何虚拟化平台和任何级别的使用其资源，在这种情况下，CPU。此外，由于建议的图形表示，它使数据中心管理员能够做出更好的合并决策。此外，建议的指数反映了一组固有的行为，整合服务器。本文的第二个贡献包括对影响服务器整合行为的因素进行分类和量化，在这种情况下，有两种类型的开销（服务器开销和（掌声）。通过应用一个简单的方法，这些开销可以量化通过所提出的方法，这也是独立的服务器的类型，执行的工作负载，虚拟化和CPU利用率的百分比。因此，通过这项工作，朝着更有效地管理虚拟化服务器和数据中心迈出了一步。现在，服务器的性能和能量平衡可以通过服务器性能2指数来衡量，并使用通用的B. Bermejo和C.茹伊斯BenchCouncil交易基准，标准和评估2（2022）1000605法此外，系统管理员还部署了一种方法来深入研究服务器合并所带来的开销，能够对这些系统的改进做出更好的决定。作为未来的工作，可以将索引扩展到多个设备。此外，它可以扩展为规模的工作负载，并考虑不同的工作负载分布。此外，系统属性可以用指数来关于开销量化方法，考虑到功率和能量消耗，可以对其进行扩展竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作引用[1]M. Uddin，A.A. Rahman，考虑绿色指标的数据中心能效和低碳推动者绿色IT框架，更新。坚持住。 EnergyRev.16（6）（2012）4078-4094.[2] C.- J. Tang，M.- R.戴，H.- C.他，C.- C. Chuang，Evaluating energy efficiencyofdatacenters with generating cost and service demand，Bull. 网络Comput. 系统软件。1（1）（2012）第16页。[3] 洛杉矶Barroso，U. Hölzle，能量比例计算的案例，计算机（12）（2007）33-37。[4] L.米纳斯湾Ellison，Energy Efficiency for Information Technology：How toReducePower Consumption in Servers and Data Centers，Intel Press，2009.[5] F. Abaunza，A. P. Hameri，T. Niemi，EEUI：一项监控和管理数据中心能效的新措施，Int. J. Prod。表演经理。67（1）（2018）111-127。[6] G. 洛瓦什湾尼德迈尔De Meer，能量感知的性能权衡虚拟机整合、群集计算。 16（3）（2013）481-496。[7] 费雷拉湾Pernici，Managing the Complex Data Center Environment：AnIntegratedEnergy Aware Framework，Computing 98（7）（2016）709-749.[8] X.莫莱罗角Juiz，M. Rodeño，Evaluación Y Modelado Del Rendimiento DeLosSistemasInformáticos，Pearson Educación London，2004.[9] B. 贝尔梅霍角瑞伊兹角Guerrero，虚拟化和整合：一个系统-回顾了过去10年能源与性能的研究，J。超级计算机（2018）1-29。[10] C.尤伊斯湾Bermejo，CiS2：一个新的指标，性能和能源权衡整合服务器，集群计算。23（4）（2020）2769[11]B. 贝尔梅霍角 瑞伊兹角 格雷罗，关于性能和能量的线性at VMC：the 2 index for CPU workload in server saturation，in：IEEEHighPerformance Computing and Communications，HPCC-2018，2018.[12] B.贝尔梅霍角Juiz，N. Thomas，关于整合服务器中的虚拟化开销和能耗，载于：英国-性能工程研讨会，UKPEW，2018年。[13] S.K. Panda，P.K. Jana，一种节能的任务调度算法，异构云计算系统，集群计算。 （2018）1-19。[14] E. Casalanchio，关于自动扩展CPU密集型容器化应用程序的性能测量的研究，群集计算。（2019年第1-12期）[15] B.贝尔梅霍角Juiz，关于服务器整合开销的分类和量化，J. Supercomput。77（1）（2021）.