CN104375622B - 云计算中基于动态加权负载评估结果的能耗评估模型 - Google Patents

Abstract

本发明公开了一种云计算中基于动态加权负载评估结果的能耗评估模型，包括当前资源能耗和迁移过程能耗，所述迁移过程能耗是使用资源请求量作为计算量从而间接近似计算所得。本发明所提供的能耗评估模型可定量描述资源能耗，模型采用迁移量间接衡量迁移过程涉及的能耗，模型参数根据实际实验环境采用线性回归模型来确定；当资源动态加入或退出时，表现出很好的自适应性。

Description

云计算中基于动态加权负载评估结果的能耗评估模型

技术领域

本发明涉及一种云计算中基于动态加权负载评估结果的能耗评估模型。

背景技术

现有关于能耗的研究主要从两个方面：一是通过动态调整服务器的电压或频率来节省电能；二是通过关闭闲置的服务器资源来实现节能。其中第二点是目前研究的热点，如京都大学高性能计算中心报告显示：仅仅采用不定期地关闭空闲节点的策略就实现了39％的能耗节约。

在目前云计算领域的能耗中，能耗的度量是一个难点，尤其是虚拟资源的能耗，虚拟资源的能耗无法通过硬件测量获取。对此有人提出了一个间接的虚拟机能耗测量机制，首先跟踪虚拟机使用的每个硬件部件的资源使用情况，然后通过一个资源能耗模型把资源使用率转换为能耗使用率。

另外关于能耗测量的精度问题也是一个挑战，在虚拟化云计算数据中心中，通常是通过评估当前虚拟机CPU的利用率来确定虚拟机的能耗情况，但是这些评估可能并不精确，因为测量出来的CPU利用率无法精确反映真实的CPU使用情况，它还包括了内存等待时间，因此不能真实反映功耗情况。统计显示在用于计算的服务器资源中，CPU能耗仅占43％，所以仅用CPU利用率来评估能耗有些片面。现有文献只是对能耗从实验角度进行模拟验证，如迁移过程所涉及的能耗。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种云计算中基于动态加权负载评估结果的能耗评估模型，能够定量描述资源能耗。

为解决上述技术问题，本发明所采用的技术方案是：云计算中基于动态加权负载评估结果的能耗评估模型，整合后能耗为E_after，由当前资源能耗和迁移过程能耗两部分组成，所述迁移过程能耗是使用资源请求量作为计算量从而间接近似计算所得；能耗评估模型是基于动态加权负载评估结果进行的，在进行具体操作之前先输入资源请求参数，包括：资源U_i的当前资源请求量r_i和最大请求量R_i，资源U_i的当前计算能力h_i和最大计算能力H_i，U_i当前负载强度q_i和最大负载强度Q_i，动态加权负载评估的具体操作步骤如下：

步骤一：根据虚拟资源请求参数计算负载评估阈值λ₁、λ₂：

负载评估阈值λ₁、λ₂的具体计算公式如下：

λ₁＝Q-σ (1)

λ₂＝Q+σ (2)

其中Q为***所有资源负载强度的平均值，具体计算公式如下：

$Q=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{Q}_k---\left(3\right)$

σ为***负载的标准偏差，具体计算公式如下：

$\mathrm{\σ}=\sqrt{\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(x_k-\stackrel{\‾}{x})}^2}---\left(4\right)$

其中Q_k为资源k的负载强度的平均值，n为***中所有资源个数，为***负载强度的平均值，即x_k为资源k的负载强度的平均值，即x_k＝Q_k；

$Q_k=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{q}_k---\left(5\right)$

其中q_k为资源节点U_k的负载强度，1≤k≤n；

步骤二：计算归一化的相对负载值L[i]：L[i]能反映出资源之间的性能差异以及潜在的负载强度，为实现负载均衡提供最佳的决策依据；

L[i]的计算公式如下：

$L\[i\]=\left\{\begin{array}{c}1,if(r_i=R_{i}or{h}_i\≥H_{i}or{q}_i\≥Q_i)\\ w_1\frac{r_i}{R_i}+w_2\frac{h_i}{H_i}+w_3\frac{q_i}{Q_i},Others\end{array}\right.---\left(11\right)$

r_i/R_i、h_i/H_i、q_i/Q_i分别为r_i对R_i、h_i对H_i、q_i对Q_i进行归一化所得的值，取值范围均为[0，1]，w₁、w₂、w₃分别为r_i/R_i、h_i/H_i、q_i/Q_i对L[i]的影响权重；

采用动态变化影响权重，在每一个评估周期，由公式(12)自适应动态调节加权值w_j：

w_j＝w₀+μ(w₁-w₀) (12)

其中w₀、w₁均为常数，其范围分别是[0，0.5]、[0，1]，且w₀＞w₁；μ是在[0，1]分布的随机数，公式(12)使得r_i/R_i、h_i/H_i、q_i/Q_i的影响权重在[w₀，w₁]之间随机变化，并满足公式(13)：

$\underset{j=1}{\overset{3}{\mathrm{\Σ}}}{w}_j=1---\left(13\right);$

步骤三：状态分类：根据L[i]的值采用双阈值λ₁和λ₂将虚拟资源的负载状态划分为空闲、正常、过载三种状态；

步骤四：状态处理：

对于划分为过载状态的虚拟资源，将过载资源迁移，跳转至步骤五；

对于划分为闲置状态的虚拟资源，统计闲置次数，当闲置次数超过迁移阈值系数时，释放该虚拟资源，跳转至步骤五；

对于划分为正常状态的虚拟资源，不作处理，直接跳转至步骤五；

步骤五：自适应动态调节负载评估阈值λ₁和λ₂：如果本地请求平均值和虚拟资源个数发生变化，则将数据通知传输给全局资源管理器，在下一个评估周期，自适应动态调节负载评估阈值λ₁和λ₂；否则，直接退出；

所述能耗评估模型具体如下：

E_after＝αP_{max r}(N-b)T+βP_transL_M (15)

$L_M=\underset{k=1}{\overset{a}{\mathrm{\Σ}}}{A}_k---\left(16\right)$

其中：α和β为调节因子，a为迁移次数，b为卸载资源次数，N为在用资源的个数，T为资源运行的平均时间，P_{max r}为每个资源的最大能耗，设为250W，P_trans为每个计算单元的迁移传输过程能耗值，设为2.4W，L_M为传输计算量，A_k为过载需迁移量，A_k＝最大资源请求量R_i－当前资源请求量r_i。

所述调节因子α和β的值根据实际实验环境而自适应变化，具体为：根据实测的资源整合前后的能耗情况，采用线性回归模拟求解整合前能耗E_before和整合后能耗E_afte，得到α和β的值；

整合前能耗的计算公式如下：

E_before＝αP_{max r}NT (14)。

与现有技术相比，本发明所达到的有益效果：提出了一种可定量描述能耗的能耗模型，模型采用迁移量间接衡量迁移过程涉及的能耗，模型参数根据实际实验环境采用线性回归模型来确定；由模型可知，整合前后能耗的差值E_save＝E_before-E_after＝αP_{max r}bT-βP_transL_M，由此可看出该差值与过载需迁移量A_k、迁移次数a和卸载次数b有关。实验表明本发明的能耗模型整合后的能耗较整合前有近16％的能耗节省；当资源动态加入或退出时，表现出很好的自适应性。

附图说明

图1是动态加权负载评估方法的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明能耗评估模型是基于动态加权负载评估结果进行的，如图1所示，是基于自适应阈值的动态加权负载评估方法的流程图，在进行具体操作之前先输入资源请求参数，包括：资源U_i的当前资源请求量r_i和最大请求量R_i，资源U_i的当前计算能力h_i和最大计算能力H_i，U_i当前负载强度q_i和最大负载强度Q_i。具体操作步骤如下：

步骤一：根据虚拟资源请求参数计算负载评估阈值λ₁、λ₂：

负载评估阈值λ₁、λ₂的具体计算公式如下：

λ₁＝Q-σ (1)

λ₂＝Q+σ (2)

其中Q为***所有资源负载强度的平均值，具体计算公式如下：

$Q=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{Q}_k---\left(3\right)$

σ为***负载的标准偏差，具体计算公式如下：

$\mathrm{\σ}=\sqrt{\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(x_k-\stackrel{\‾}{x})}^2}---\left(4\right)$

其中Q_k为资源k的负载强度的平均值，n为***中所有资源个数，为***负载强度的平均值，即x_k为资源节点k的负载强度的平均值，即x_k＝Q_k。

$Q_k=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{q}_k---\left(5\right)$

其中q_k为资源节点U_k的负载强度，1≤k≤n；

步骤二：计算归一化的相对负载值L[i]：L[i]能反映出资源之间的性能差异以及潜在的负载强度，为实现负载均衡提供最佳的决策依据。

L[i]的计算公式如下：

$L\[i\]=\left\{\begin{array}{c}1,if(r_i=R_{i}or{h}_i\≥H_{i}or{q}_i\≥Q_i)\\ w_1\frac{r_i}{R_i}+w_2\frac{h_i}{H_i}+w_3\frac{q_i}{Q_i},Others\end{array}\right.---\left(11\right)$

r_i/R_i、h_i/H_i、q_i/Q_i分别为r_i对R_i、h_i对H_i、q_i对Q_i进行归一化所得的值，取值范围均为[0,1]，w₁、w₂、w₃分别为r_i/R_i、h_i/H_i、q_i/Q_i对L[i]的影响权重；

采用动态变化影响权重，在每一个评估周期，由公式(12)自适应动态调节加权值w_j：

w_j＝w₀+μ(w₁-w₀) (12)

其中w₀、w₁均为常数，其范围分别是[0,0.5]、[0,1]，且w₀＞w₁；μ是在[0,1]分布的随机数，公式(12)使得r_i/R_i、h_i/H_i、q_i/Q_i的影响权重在[w₀,w₁]之间随机变化，并满足公式(13)：

$\underset{j=1}{\overset{3}{\mathrm{\Σ}}}{w}_j=1---\left(13\right).$

步骤三：状态分类：根据L[i]的值采用双阈值λ₁和λ₂将虚拟资源的负载状态划分为空闲、正常、过载三种状态；

步骤四：状态处理：

对于划分为过载状态的虚拟资源，将过载资源迁移，跳转至步骤五；

对于划分为闲置状态的虚拟资源，统计闲置次数，当闲置次数超过迁移阈值系数时，释放该虚拟资源，跳转至步骤五；

对于划分为正常状态的虚拟资源，不作处理，直接跳转至步骤五；

步骤五：自适应动态调节负载评估阈值λ₁和λ₂：如果本地请求平均值和虚拟资源个数发生变化，则将数据通知传输给全局资源管理器，在下一个评估周期，自适应动态调节负载评估阈值λ₁和λ₂；否则，直接退出。

本发明是基于上述动态加权负载评估结果进行的，能耗评估模型包括当前资源能耗和迁移过程能耗，迁移过程能耗是使用资源请求量作为计算量从而间接近似计算所得；所述能耗评估模型具体如下：

E_after＝αP_{max r}(N-b)T+βP_transL_M (15)

$L_M=\underset{k=1}{\overset{a}{\mathrm{\Σ}}}{A}_k---\left(16\right)$

其中：α和β为调节因子，a为迁移次数，b为卸载资源次数，N为在用资源的个数，T为资源运行的平均时间，P_{max r}为每个资源的最大能耗，设为250W，P_trans为每个计算单元的迁移传输过程能耗值，设为2.4W，L_M为传输计算量，A_k为过载需迁移量，A_k＝最大资源请求量R_i-当前资源请求量r_i。

调节因子α和β的值根据实际实验环境而自适应变化，具体为：

在真实的实验环境下，通过测量分析实测的资源整合前后的能耗情况，发现它们基本呈线性分布。因此可采用线性回归模型来确定本实验环境下调节因子α和β的值。根据负载不同，资源个数N的值也不同，已知主机个数是800，每个资源的最大能耗为250W，运行时间T设为24小时。所以N只与虚拟机个数有关。根据实测的资源整合前后的能耗情况采用线性回归模拟求解公式(14)和(15)，得到α和β的值。

现在讨论使用本发明前后的资源(PMs和VMs)能耗情况，整合前能耗为E_before，计算公式如下。

E_before＝αP_{max r}NT (14)

由模型可知，整合前后能耗的差值E_save的计算如公式(17)

E_save＝E_before-E_after＝αP_{max r}bT-βP_transL_M (17)

由此可看出该差值与过载需迁移量A_k、迁移次数a和卸载次数b有关。

实验表明本发明的能耗模型整合后的能耗较整合前有近16％的能耗节省，当资源动态加入或退出时，方法表现出很好的自适应性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (2)

1.云计算中基于动态加权负载评估结果的能耗评估模型，其特征在于：整合后能耗为E_after，由当前资源能耗和迁移过程能耗两部分组成，所述迁移过程能耗是使用资源请求量作为计算量从而间接近似计算所得；能耗评估模型是基于动态加权负载评估结果进行的，在进行具体操作之前先输入资源请求参数，包括：资源U_i的当前资源请求量r_i和最大请求量R_i，资源U_i的当前计算能力h_i和最大计算能力H_i，U_i当前负载强度q_i和最大负载强度Q_i，动态加权负载评估的具体操作步骤如下：

步骤一：根据虚拟资源请求参数计算负载评估阈值λ₁、λ₂：

负载评估阈值λ₁、λ₂的具体计算公式如下：

λ₁＝Q-σ (1)

λ₂＝Q+σ (2)

其中Q为***所有资源负载强度的平均值，具体计算公式如下：

$Q=\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}{Q}_k---\left(3\right)$

σ为***负载的标准偏差，具体计算公式如下：

$\mathrm{\σ}=\sqrt{\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}{(x_k-\stackrel{\‾}{x})}^2}---\left(4\right)$

其中Q_k为资源k的负载强度的平均值，n为***中所有资源个数，为***负载强度的平均值，即x_k为资源k的负载强度的平均值，即x_k＝Q_k；

$Q_k=\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}{q}_k---\left(5\right)$

其中q_k为资源节点U_k的负载强度，1≤k≤n；

步骤二：计算归一化的相对负载值L[i]：L[i]能反映出资源之间的性能差异以及潜在的负载强度，为实现负载均衡提供最佳的决策依据；

L[i]的计算公式如下：

$L\[i\]=\left\{\begin{array}{c}1,if\left(r_i=R_{i}or{h}_i\≥H_{i}or{q}_i\≥Q_i\right)\\ w_1\frac{r_i}{R_i}+w_2\frac{h_i}{H_i}+w_3\frac{q_i}{Q_i},Others\end{array}\right.---\left(11\right)$

r_i/R_i、h_i/H_i、q_i/Q_i分别为r_i对R_i、h_i对H_i、q_i对Q_i进行归一化所得的值，取值范围均为[0，1]，w₁、w₂、w₃分别为r_i/R_i、h_i/H_i、q_i/Q_i对L[i]的影响权重；

采用动态变化影响权重，在每一个评估周期，由公式(12)自适应动态调节加权值w_j：

w_j＝w₀+μ(w₁-w₀) (12)

其中w₀、w₁均为常数，其范围分别是[0，0.5]、[0，1]，且w₀>w₁；μ是在[0，1]分布的随机数，公式(12)使得r_i/R_i、h_i/H_i、q_i/Q_i的影响权重在[w₀，w₁]之间随机变化，并满足公式(13)：

$\underset{j=1}{\overset{3}{\Σ}}{w}_j=1---\left(13\right);$

步骤三：状态分类：根据L[i]的值采用双阈值λ₁和λ₂将虚拟资源的负载状态划分为空闲、正常、过载三种状态；

步骤四：状态处理：

对于划分为过载状态的虚拟资源，将过载资源迁移，跳转至步骤五；

对于划分为闲置状态的虚拟资源，统计闲置次数，当闲置次数超过迁移阈值系数时，释放该虚拟资源，跳转至步骤五；

对于划分为正常状态的虚拟资源，不作处理，直接跳转至步骤五；

步骤五：自适应动态调节负载评估阈值λ₁和λ₂：如果本地请求平均值和虚拟资源个数发生变化，则将数据通知传输给全局资源管理器，在下一个评估周期，自适应动态调节负载评估阈值λ₁和λ₂；否则，直接退出；

所述能耗评估模型具体如下：

E_after＝αP_maxr(N-b)T+βP_transL_M (15)

$L_M=\underset{k=1}{\overset{a}{\Σ}}{A}_k---\left(16\right)$

其中：α和β为调节因子，a为迁移次数，b为卸载资源次数，N为在用资源的个数，T为资源运行的平均时间，P_maxr为每个资源的最大能耗，设为250W，P_trans为每个计算单元的迁移传输过程能耗值，设为2.4W，L_M为传输计算量，A_k为过载需迁移量，A_k＝最大资源请求量R_i－当前资源请求量r_i。

2.根据权利要求1所述的云计算中基于动态加权负载评估结果的能耗评估模型，其特征在于：所述调节因子α和β的值根据实际实验环境而自适应变化，具体为：根据实测的资源整合前后的能耗情况，采用线性回归模拟求解整合前能耗E_before和整合后能耗E_afte，得到α和β的值；

整合前能耗的计算公式如下：

E_before＝αP_maxrNT (14)。