發(fā)布時間：2019-10-16 21:49

【摘要】：數據中心的能耗在云計算高速發(fā)展的同時不斷增加,提高服務器資源利用率,進而提高數據中心的能效成為新的研究方向�；贠penStack開源云計算平臺,利用回歸分析方法,預測云計算環(huán)境下服務器負載情況的變化,提出資源動態(tài)調度算法,將計算任務遷移到更合適的服務器,達到提高集群計算能效的目的。通過CPU計算能力的實驗驗證了該算法的有效性,實現了云計算環(huán)境下CPU計算能效的提高。
【圖文】：

［12～14］，但是服務質量與整體能耗相互矛盾，因此在確定動態(tài)調度算法的時候需要確定這兩個因素的主次，在兩者之間找到一個良好的平衡。由于用戶對于服務的質量要求比較高，因此服務質量是動態(tài)調度算法的首要考慮因素。為了對集群的整體影響做到最小，還需要考慮不同服務器的開關機時機等問題［15，16］。根據對遷移主要步驟的分析，將主要的調度步驟分為兩種:a)遷移時機的確定，包括遷移的觸發(fā)步驟;b)遷移對象的選取，包含作為遷移虛擬機的選取和目標物理服務器的選齲資源動態(tài)調度算法的整體流程如圖1所示。圖1動態(tài)調度算法流程動態(tài)調度的過程中循環(huán)獲取OpenStack資源池中的所有資源的信息，根據負載情況判斷資源池中運行節(jié)點的數量。通過收集各個工作節(jié)點的CPU利用率、內存利用率以及網絡帶寬的使用情況，根據數據中心所有節(jié)點的CPU綜合負載情況判斷整體是否負載過高。如果數據中心負載過高，則開啟候補節(jié)點，使之成為運行節(jié)點并對其進行遷移保護，以防止新開啟的運行節(jié)點因為在短時間內滿足閑置節(jié)點條件而被關閉，或者由于初始階段負載過低，觸發(fā)遷移條件而使得剛剛遷移進來的虛擬機被遷移出此節(jié)點，形成不必要的遷移。2.2虛擬機遷移的觸發(fā)策略直接決定遷移時機的因素便是遷移條件的設置，在完成資源池中所有運行節(jié)點的狀態(tài)信息收集之后，檢查每個運行節(jié)點的各項檢測項，其中主要包括CPU利用率、內存利用率和帶寬［17～19］的使用。檢查每個檢查項是否滿足遷移條件。遷移條件包含兩個方面的限制，分別為上限觸發(fā)條件和下限觸發(fā)條件。上限觸發(fā)條件的主要作用是為了降低高負載運行節(jié)點的負載，從而保證運行于此節(jié)點上的各個虛擬機的運算能力滿足用戶的需求。在滿足上限觸發(fā)條件的運行節(jié)點上選擇合適的虛?

瘸魷值難猗荊噫跣⊙猗炯彡拇笮。嚆緩笫褂檬Ｏ碌難猗炯犸?去估計，閾值λ的設置會對結果造成很大的影響。模擬數據的CPU利用率如表1所示。表1CPU利用率模擬數據tr/%tr/%tr/%19482815252859341623364102617274551132181954812261923637132720167341422－－模擬數據中CPU的利用率隨著時間的推移而不斷下降，并且下降的速度不斷減慢，CPU利用率在下降的過程中存在振蕩。為了確定不同的閾值對數學模型準確度的影響，取λ的值為60與30進行擬合，將擬合結果與真實的CPU利用率進行對比，對比結果如圖2所示。圖2CPU利用率擬合曲線從圖中可知，λ=30時的擬合效果相對于λ=60時更加接近真實情況。隨著λ值的減小，，擬合曲線所包含的樣本集中樣本的數量逐漸減少，但是擬合的效果卻更加接近真實的情況。在λ=60時，經驗回歸方程為r=－2.135t+65.98包含了時間為3～20的樣本，σ2^的最終值是42．68。而在λ=30的情況下，得到的經驗回歸方程為r=－1.513t+56.21，所包含的樣本中分布在時間為5～20的樣本，并且最終的σ2^值為20.36。可見在這兩種情況的對比下，λ所取值越小，便越接近于最近樣本的分布;但是隨著λ的不斷減小，擬合所包含的樣本數也會變小;當樣本數很小的情況下，反而更加不利于未來趨勢的預測。4實驗及結果分析本文采用來自航空管理系統(tǒng)在實際運行情況下的負載數據進行算法驗證。由于直接運用原數據并無法詳細驗證算法在各個方面的具體表現，并且數據很多細節(jié)由于持續(xù)時間較短而不利于捕獲，因此將完整的運行數據，根據執(zhí)行不同任務時的負載經過適當的放大與調整后形成一系列任務集合。實驗環(huán)境由四臺物理服務器組成，測試系統(tǒng)的虛擬機配置信息如表2所示。表2虛擬機配置信息屬性配置信息虛擬
【作者單位】： 東北大學軟件學院;
【基金】：遼寧省科技項目博士啟動基金資助項目(20111001) 中央高�；究蒲袠I(yè)務費資助項目(N110417004) 遼寧省科技攻關項目(2011216027)
【分類號】：TP308

【相似文獻】

相關碩士學位論文 前8條

1 劉飛宇;OpenStack云平臺下的虛擬機監(jiān)控與控制的研究與實現[D];電子科技大學;2013年

2 王霄飛;基于OpenStack構建私有云計算平臺[D];華南理工大學;2012年

3 汪楠;基于OpenStack云平臺的計算資源動態(tài)調度及管理[D];大連理工大學;2013年

4 梁U_成;面向公有云存儲的高并發(fā)關鍵技術研究及系統(tǒng)實現[D];華南理工大學;2013年

5 賴文華;分布式對象云存儲平臺設計及第三方應用開發(fā)[D];華南理工大學;2013年

6 李婧;基于云計算的遠程教育資源共享技術研究與實現[D];西安電子科技大學;2013年

7 蔡官明;開放式云存儲服務平臺設計及移動云盤應用開發(fā)[D];華南理工大學;2013年

8 彭近堯;基于能效的數據中心資源整合機制[D];電子科技大學;2013年

本文編號：2550193