基于随机Petri网的云数据中心能耗感知调度研究与性能分析

基于随机Petri网的云数据中心能耗感知调度研究与性能分析

摘 要：随着云计算的广泛应用，云数据中心的节能问题也获得越来越多的关注。虽然，许多研究针对云数据中心的能耗问题提出了相关的调度策略与节能技术，但很少有人关注如何有效的对云数据中心的能耗问题进行建模与性能评价。性能评价可以在云服务供应商的成本-收益与基于服务水平协议（SLA）定义的服务质量（QoS）之间找到一个合适的权衡点，又能研究虚拟化技术对云数据中心性能的影响。在本文中，在考虑资源多样性和虚拟机迁移的前提下，我们以优化能耗为目标提出了一个能耗感知虚拟机迁移算法。此外,我们还通过引入动态可扩展随机Petri网（DSSPN）对云数据中心的重要性能指标进行随机建模和性能分析。接着，我们定义了一些性能参数来评价模型中在不同运行时间和机器数量下的任务积压、吞吐量、资源利用率和能耗。最后，我们使用SPNP方针出这些性能参数的解析解。分析结果表明，DSSPN适用于建模和评价复杂的云系统，并有利于分析优化云数据中心的性能。

关键词：云计算；随机Petri网；服务质量；节能；性能评价

概述

云计算是一种按需提供服务的商业计算范式，能基于互联网为用户提供便捷、灵活的访问，进入可配臵的共享资源池（包括网络、服务器、存储、应用程序和服务）[1]。云计算的服务供应商通过部署和管理分布在世界各地的云数据中心，能直接为用户提供三种服务模式：基础设施即服务（IaaS）、软件即服务（SaaS）和平台即服务（IaaS）[2]。大数据时代的到来，使得云计算的重要底层基础设施——数据中心的规模也越来越庞大，对能源的需求也急剧增加。目前，许多研究都仅关注云数据中心的性能改进和满足用户的服务质量（QoS）需求方面，而很少重视能耗问题[3]。根据统计数据，数据中心的能源消耗耗预估达到美国总能耗的40%，在能耗上的花费也占到数据中心总运营成本的42%[4-6]。因此，提高云数据中心的能源效率在云计算的发展和应用中变得越来越重要。云供应商既需要确保自己的利润和投资回报不会因为能源成本增加而减少，又要保障用户基于服务水平协议（SLA）所定义的服务质量（QoS）需求。此外，提高能源利用率可以降低资源消耗，减少环境污染，并实现云数据中心的可持续发展。然而，如何对实现有效节能的云数据中心的资源调度问题进行建模和性能评价仍然面临着诸多挑战。

这是因为以下几点原因：（1）构成云数据中心的底层基础设施的物理资源（即PMs）是异构的，并且在地理位臵上是分布地。这意味着服务能力和能源消耗会随着资源类型而改变。（2）由于引入了虚拟化技术，云数据中心能在少量的PM上为多个用户提供多个可运行的虚拟机（VM）实例。虽然这样可以通过关闭闲臵的PM或将PM切换到较低的性能级别上（如使用DVFS技术）来降低能源消耗，但是当多个VM运行在一个PM上时，会严重降低云数据中心的性能[7]。这意味着，要确保数据中心的性能必须在节能和QoS保障之间找到一个合适的权衡点。（3）在云数据中心中，VM是可以动态迁移的，这有利于实现负载均衡，还可以避免出现热点从而降低故障率。（4）最为重要的是，云数据中心的特性（如大规模性、动态性、异构性和多样性等）使得系统性能评价越来越复杂。但是至今为止，较少有人关注如何为云环境的性能评价提供直观的模型描述和有效的分析方法。

性能评价的主要任务是研究系统配臵、系统负载和性能指标之间的相互关系。性能评价方法主要可以分为三种：测量方法、仿真方法和模型方法。通过一定的测量设备或测量程序，测量和仿真方法能直接从系统中测得各项性能指标或与之相关的数据量，然后经过一些简单的运算求出相应的性能指标[8]。Calheiros等提出了一种可扩展的仿真工具Cloudsim，以建模、仿真

和评价云计算系统的性能和应用配臵环境[9]。Cloudsim能模拟单节点和多节点云环境，现已被多个组织机构用于研究云数据中心的资源分配和节能问题。基于ISO25010中的软件质量概念，Bautista等介绍了一种云计算系统的性能测量框架（PMF）[10]。PMF通过定义需求、数据类型和评价准则来评价“集群行为”的性能。Kim等研究实时应用中VM的能量感知供应，并基于动态电压和频率调节（DVFS）技术提出了几种用于数据中心硬实时服务的能源感知VM供应方案[11]。虽然测量和仿真方法在性能评价中比较直接，但是只能适用于已经存在并运行的系统，而且需要花费较多时间。此外，这两种方法不适用于大规模复杂系统，尤其是动态变化且包含大量参数的云系统，也无法找出系统中的性能瓶颈。

为了克服这些困难，一些研究者提出了某些模型方法来分析和评价系统性能。Xia等使用基于网络的随机排队方法来分析易出错环境中可迁移云的性能，并定义了一些性能矩阵来评价不同负载和错误强度下的利用率、预期任务完成时间和任务拒绝率[2]。接着，作者还通过信任区间对比分析该方法与现实世界云系统中实验性能数据的差别。Khazaei等将云数据中心建模为一个具有单任务到达和有限任务缓冲区的M/G/m/m+r排队系统，并使用基于变换的分析模型和近似马尔可夫链来获取响应时间的分布概率、积压概率和系统中的任务数量[12]。此外，Khazaeri还将复杂的云系统划分为多个子模型，引入连续时间马尔可夫链（CTMC）来建模分析这些子系统，并使用迭代方法求出所需精度的解[12]。

与上述研究工作相比，我们主要研究云数据中心的能耗感知虚拟机迁移策略，并引入动态可扩展随机Petri网（DSSPN）来建模和评价云系统在不同运行时间和不同数量PM下的某些重要参数，如平均队列长度（能反映任务缓冲区中的数据积压）、平均吞吐量、平均能耗和资源利用率。DSSPN是一种扩展的随机Petri网（SPN），适用于分布式系统的图形建模和性能分析 [8]。它不仅能以一种直观有效的方式清晰刻画系统的动态行为，还易于发现系统的性能瓶颈和缺陷。

基于上述讨论，本文主要设计和建模分析能有效节能并提高云数据中心性能的虚拟机迁移策略，主要贡献有以下几点：

（1）我们提出了云数据中心（EAC）的体系结构框架，并抽象出它的任务调度和VM分配模型。

（2）为了提高能源利用率并确保数据中心集群的性能，本文提出了能耗感知虚拟机迁移（EAVMM）算法。

（3）基于SPN和随机回报网[14]（SRN），我们提出了动态可扩展随机Petri网（DSSPN），并用DSSPN对云数据中心进行建模和性能评价。

（4）为了验证EAVMM算法的有效性与DSSPN的可用性，我们进行了实验仿真，得到不同运行时间与不同数量PM下的一些重要性能参数，如平均队列长度、平均吞吐量、平均能耗和平均资源利用率。

2 云数据中心

云作为下一代的数据中心，通过管理程序技术将节点虚拟化为虚拟机，并动态地为用户按需提供个性化资源集（如硬件、数据库、用户接口、应用逻辑等），然后通过“协商”来满足特定的服务水平协议[3]。因此，云数据中心通常被看作通过网络服务技术（如SOAP、REST等）访问的组合服务。图1说明了云数据中心数据中心的理论高级体系架构。主要包含五个实体[15]：

（1）用户/代理：世界各地的用户或代理根据各自的需求向云数据中心提交服务请求。需要注意的是，这些用户可分为两类：一类是使用已有云服务的用户；一类是在云上部署应用程序的用户。例如，一个公司可以在云上部署一个能根据访问的用户数量来改变工作负载的Web

应用程序。

（2）用户接口：用户和云数据中心交互的统一接口，主要用于Web服务的通 …… 此处隐藏：12830字，全部文档内容请下载后查看。喜欢就下载吧 ……