CN110278125B - 一种云计算资源弹性测评方法 - Google Patents
一种云计算资源弹性测评方法 Download PDFInfo
- Publication number
- CN110278125B CN110278125B CN201910542314.7A CN201910542314A CN110278125B CN 110278125 B CN110278125 B CN 110278125B CN 201910542314 A CN201910542314 A CN 201910542314A CN 110278125 B CN110278125 B CN 110278125B
- Authority
- CN
- China
- Prior art keywords
- cloud computing
- clusters
- resource
- test
- virtual machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0866—Checking the configuration
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明的云计算资源弹性测评方法,包括:a).在待测评的云计算平台上创建2个配置相同的集群;b).执行n次对两个集群施加相同负载和/或减少相同负载的测试,判断2个集群所增加或减少的虚拟机数量是否相等来评价云计算平台的资源配置准确度;c).判断2个集群增加或减少相同数量的虚拟机时,其所用时间差是否在设定时间范围内来评价资源配置速度;d).虚拟机性能指标测评;e).云计算平台资源弹性伸缩评价。本发明的云计算资源弹性测评方法,提出了一种简单、直观、实用的弹性测评方法,能够实现云计算资源弹性配置的快速测评,可快速确认云计算平台资源弹性是否有效、资源配置是否准确与及时、虚拟机性能的优劣。
Description
技术领域
本发明涉及一种云计算资源弹性测评方法,更具体的说,尤其涉及一种通过测试云平台上运行集群的资源配置准确度和速度来反映其资源弹性伸缩性能的云计算资源弹性测评方法。
背景技术
云计算平台根据用户请求自动为其分配虚拟机并提供资源弹性伸缩,资源弹性伸缩效果和虚拟机性能直接影响用户体验,所以对其的测评至关重要。然而,云计算***的复杂性和对于用户的不透明性决定了测试是有难度的、昂贵的,需要花费很多时间和成本,特别是云计算资源弹性伸缩过程涉及资源监控、弹性伸缩触发、资源配置等多个服务的交互和数据流转,测试过程复杂,测试输出难以预期。目前的云计算弹性测评集中于测评指标和测评方法的研究,资源配置精度和速度是弹性测评两个基本指标,主要测评资源弹性配置接近资源需求的程度以及资源弹性配置的快慢。此外,许多研究提出弹性值的定义,将多个测评指标执行某种变化计算出弹性值作为测评指标,例如将弹性值定义为效用函数在一段时间之内的积分值,效应函数由性价比、基础设施定价、计费粒度、虚拟机配置速度、决策速度、***伸缩正确性和效用偏好等指标决定,最后对整个积分值做归一化处理。该方法缺乏直观性,不易理解。常见的弹性测评方法是基于云计算平台采集资源弹性配置的数量和时间进行对比分析,资源配置精度需要计算一段时间内资源配置超出或低于资源需求的数量,资源配置速度是指资源增加或释放资源达到稳定的时间。由于云计算环境经常动态变化,资源配置时间无法精确获得,资源配置精度虽然可以计算出,但需要计算多组过程数据比较耗时;对于复杂的测评指标,一些研究利用遗传算法和马尔科夫链进行计算,对于普通消费者来说比较复杂且难于理解。
虽然目前针对云计算资源弹性伸缩的测评研究很多,但弹性指标多且种类杂,云平台环境状态变化频繁,指标测量值和预期值受多因素影响难以准确,测试过程复杂,测评方法对于普通消费者和一般的管理人员来说不够简单、直观、难以理解,不能快速进行测评。因此,选择一个较小、合适的评价指标集,研究一种简单、直观、实用的弹性评测方法,是解决此类问题的主要关键。
发明内容
本发明为了克服上述技术问题的缺点,提供了一种通过测试云平台上运行集群的资源配置准确度和速度来反映其资源弹性伸缩性能的云计算资源弹性测评方法。
本发明的云计算资源弹性测评方法,其特征在于,通过以下步骤来实现:
a).创建2个集群,在待测评的云计算平台上创建2个虚拟机数量和配置完全相同的集群;集群运行时,利用云计算平台的管理***中的监控组件和弹性伸缩服务实现对集群的资源弹性伸缩管理;b).资源配置准确度测评,执行n次相同时间内对两个集群施加相同负载和/或减少相同负载的测试,每次测试之前将2个集群均重置为初始配置;通过判断每次施加或减少相同负载时,2个集群所增加或减少的虚拟机数量是否相等来评价云计算平台的资源配置准确度;c).资源配置速度测评,在步骤b)中n次施加和/或减少相同负载测试过程中,通过判断2个集群增加或减少相同数量的虚拟机时,其所用时间的时间差是否在设定时间范围内来评价云计算平台的资源配置速度;d).虚拟机性能指标测评,首先在云计算平台上创建一定资源规格的虚拟机,然后分单进程和多进程对其进行性能项目测试,利用每个项目的测试分值计算出虚拟机的单进程测试和多进程测试总分数,然后计算综合性能分数来评价虚拟机的性能;e).云计算平台资源弹性伸缩评价,如果步骤b)中获取的资源配置准确度和步骤c)中获取的资源配置速度在设定的范围内,且步骤d)中获取的虚拟机的综合性能分数在设定范围,则表明该云计算平台的资源弹性伸缩性能和虚拟机性能良好,可满足用户的需求和体验。
本发明的云计算资源弹性测评方法,步骤b)中通过计算资源配置不准确比率来评价资源配置准确度,资源配置不准确比率通过公式(1)来计算:
式中,n为施加和/或减少相同负载的测试次数,Ru为2个集群的资源配置不准确比率,ni表示第i次测试结果,每次测试过程中:如果2个集群的增加或减少的虚拟机数量相等,则ni=0,如果不相等,则ni=1。
本发明的云计算资源弹性测评方法,步骤c)中通过计算资源配置延迟比率来评价资源配置速度,资源配置延迟比率通过公式(2)进行求取:
式中,n为施加和/或减少相同负载的测试次数,Rd为2个集群的资源配置延迟比率,mi表示第i次测试结果,每次测试过程中:如果2个集群增加或减少相同数量的虚拟机的用时之差在设定的时间范围内,则mi=0,如果超出设定的时间范围,则mi=1。
本发明的云计算资源弹性测评方法,步骤d)中通过执行12项项目测试来评价虚拟机的性能指标,12项项目测试为:字符串处理、浮点数操作的速度和效率、每秒钟可以执行的excel***调用的次数、从一个文件向另外一个文件传输2000个1024字节块数据的速率、从一个文件向另外一个文件传输500个256字节块数据的速率、从一个文件向另外一个文件传输8000个4096字节块数据的速率、一秒钟内一个进程可以向一个管道写512字节数据然后再读回的次数、一秒钟内两个进程通过一个管道交换一个不断增长的整数的次数、每秒钟一个进程可以创建子进程然后回收子进程的次数、进入和离开操作***内核的代价、一秒种内一个进程可以并发地开始一个shell脚本的k个拷贝的次数,其中,k取值为1或8;
然后将每个项目的测试分数与一个基准值进行比较,得到一个指数值si,利用公式(3)将所有测试项目的指数值转换为虚拟机单进程或多进程测试总分数:
式中,m为测试项目的个数12,si表示第i个项目测试获得的指数值;
然后,利用单进程或多进程测试总分数,利用公式(4)计算虚拟机综合性能分数:
p=α*S+(1-α)*S′ (4)
式中,S为单进程测试总分数,S′是多进程测试总分数,0<α<1,α、(1-α)分别是对应的权重。
本发明的云计算资源弹性测评方法,步骤b)中,如果资源配置不准确比率Ru=0,表明云计算平台的资源配置准确度精准且稳定,如果0<Ru≤10%,表明云计算平台的资源配置准确度在可接受的范围内,如果Ru>10%,表明云计算平台的资源配置准确度低、效果差,***存在错误,应查找出具体原因并解决;
步骤b)中,在所建立的2个集群均为Web应用集群的情况下,通过执行开源软件Webbench中的Webbench-c m-t h http://192.168.80.xx/命令来模拟相应数量的访问Web应用的请求,以触发集群增加或减少虚拟机数量,其中m和h为根据需求分别在[3000,20000]和[0,3600]范围内设置的数值,用于执行访问Web应用集群的m个并发进程,并在h秒内生成工作负载;
步骤b)中,每次对集群施加负载的过程中,资源利用率急剧增加到80%以上,并保持在80%以上一段时间,以触发集群增加虚拟机数量;在对集群减少相同负载的测试时,首先使两集群资源利用率均超过20%,然后同时中断负载加压,使集群负载快速降低,以触发集群减少虚拟机数量。
本发明的云计算资源弹性测评方法,步骤c)中,如果一个集群增加或减少一个虚拟机的耗时为t分钟,另一个集群增加或减少一个虚拟机的用时在t±1分钟范围内,则mi=0,如果另一个集群增加或减少一个虚拟机的用时超出了t±1分钟的范围,则mi=1。
本发明的有益效果是:本发明的云计算资源弹性测评方法,首先在待测评的云计算平台上创建2个配置相同的集群,然后对2个集群进行相同的增加或减少相同负载的多次测试,通过统计2个集群增加或减少集群的数量是否相等,以及2个集群增加或减少相等数量的虚拟机的耗时是否相等或在合理的范围之内,来评价云计算平台的资源弹性伸缩特性;同时,还通过对云计算平台上创建的虚拟机进行性能项目测试,利用测试虚拟机的性能来反应用户体验效果;本发明的云计算资源弹性测评方法,提出了一种简单、直观、实用的弹性测评方法,能够实现云计算资源弹性配置的快速测评,本测评方法便于普通消费者和一般的管理人员快速确认云计算平台资源弹性是否有效、资源配置是否准确与及时、虚拟机性能的优劣。
附图说明
图1为理想状态的资源弹性配置示意图;
图2为资源弹性配置不精确状态时的示意图;
图3为资源弹性配置时间延迟状态时的示意图;
图4为本发明中对2个Web应用集群进行资源弹性伸缩测试的流程图;
图5为本发明中采用施加负载的方法对2个集群进行资源配置准确度和速度测评的流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
云计算平台采用Auto-scaling机制进行资源弹性伸缩,当资源利用率超过或低于预设阈值时,Auto-scaling机制可以动态地增加或者减少虚拟机数量以提高应用程序性能或降低用户成本。资源配置的准确度、速度和资源性能是资源弹性伸缩测评的主要特征。
理想状态下,资源弹性机制应保证资源供应数量等于资源需求,即两者完全匹配,资源配置准确,弹性效果好,如图1所示,给出了理想状态的资源弹性配置示意图,可以看出,在理想状态下,云计算平台的资源弹性配置的准确度和速度基本与资源需求完全同步,这种情况下的用户体验效果最佳,且不会造成云计算资源的浪费。如果资源配置过大或过小,则出现资源配置不准确,弹性效果差,如图2所示,给出了资源弹性配置不精确状态时的示意图,可见资源配置超过资源需求,则资源弹性配置过度,造成资源浪费,资源配置少于资源需求,则资源弹性配置不足,用户***性能受影响。
云计算资源弹性配置过程复杂,虚拟机需要一段时间才能配置完成,若资源配置速度慢于资源需求的变化速度,则会造成资源配置不足或者过度,影响资源弹性配置效果,因此资源弹性配置速度也是影响资源弹性效果的重要指标。
云计算资源弹性配置是动态资源分配与调整过程,不仅受负载变化的影响,而且受资源配置过程的影响,是一个取决于多因素的过程,包括负载变化、指标的计算、弹性触发、资源配置等。特别云计算平台是不断动态变化的环境,会造成***状态不稳定,因此目前弹性测评指标的计算普遍存在***状态不确定和模糊处理的问题,对于普通消费者和一般的平台运维人员来说更是无法进行准确计算,平台的弹性机制难以测评,因此从普通消费者和一般平台运维者需求出发,建立尽可能少的指标,研究简单、高效的云计算弹性测评方法,帮助他们快速确认平台资源弹性机制是否生效、资源配置的准确度和速度、资源性能问题。
本发明的云计算资源弹性测评方法,通过以下步骤来实现:
a).创建2个集群,在待测评的云计算平台上创建2个虚拟机数量和配置完全相同的集群;集群运行时,利用云计算平台的管理***中的监控组件和弹性伸缩服务实现对集群的资源弹性伸缩管理;
对于普通消费者和一般平台运维者,主要关注资源弹性的直接效果,希望快速确认平台资源弹性是否有效、资源配置是否准确与及时、虚拟机性能优劣等问题,因此需要建立尽可能少的弹性测评指标。然而云计算***动态性以及状态不稳定性,弹性测评指标很难获得准确的计算值,一般采用模糊处理的方法,我们将两个集群弹性伸缩测试作为一组,通过执行一定数量的测试,统计资源配置不准确比率、资源配置延迟比率以及虚拟机性能作为测量指标。
b).资源配置准确度测评,执行n次相同时间内对两个集群施加相同负载和/或减少相同负载的测试,每次测试之前将2个集群均重置为初始配置;通过判断每次施加或减少相同负载时,2个集群所增加或减少的虚拟机数量是否相等来评价云计算平台的资源配置准确度;
如图3所示,给出了资源弹性伸缩测试的流程图,同一个应用***在两个配置相同的虚拟集群上运行,受到相同负载的时候,弹性伸缩的资源数量(即增加或减少的虚拟机数量)应该是相同的,即资源配置是稳定的,但两个配置可能都是准确或者都不准确;若弹性伸缩的资源数量不同,则表明资源配置不稳定、不准确,***存在错误或者弹性伸缩过程不稳定。我们可以统计所有组的对比测试结果,计算出最小的资源配置不准确率,若非0,表明***弹性伸缩存在错误或者状态不稳定,需要检查具体原因,若该值较大(如>10%),则表明弹性伸缩准确率低、效果差,***存在错误。
该步骤中,通过计算资源配置不准确比率来评价资源配置准确度,资源配置不准确比率通过公式(1)来计算:
式中,n为施加和/或减少相同负载的测试次数,Ru为2个集群的资源配置不准确比率,ni表示第i次测试结果,每次测试过程中:如果2个集群的增加或减少的虚拟机数量相等,则ni=0,如果不相等,则ni=1。
如果资源配置不准确比率Ru=0,表明云计算平台的资源配置准确度精准且稳定,如果0<Ru≤10%,表明云计算平台的资源配置准确度在可接受的范围内,如果Ru>10%,表明云计算平台的资源配置准确度低、效果差,***存在错误,应查找出具体原因并解决;
该步骤中,在所建立的2个集群均为Web应用集群的情况下,通过执行开源软件Webbench中的Webbench-c m-t h http://192.168.80.xx/命令来模拟相应数量的访问Web应用的请求,以触发集群增加或减少虚拟机数量,其中m和h为根据需求分别在[3000,20000]和[0,3600]范围内设置的数值,用于执行访问Web应用集群的m个并发进程,并在h秒内生成工作负载;
该步骤中,每次对集群施加负载的过程中,资源利用率急剧增加到80%以上,并保持在80%以上一段时间,以触发集群增加虚拟机数量;在对集群减少相同负载的测试时,首先使两集群资源利用率均超过20%,然后同时中断负载加压,使集群负载快速降低,以触发集群减少虚拟机数量。
c).资源配置速度测评,在步骤b)中n次施加和/或减少相同负载测试过程中,通过判断2个集群增加或减少相同数量的虚拟机时,其所用时间的时间差是否在设定时间范围内来评价云计算平台的资源配置速度;
云计算***受多因素影响,弹性伸缩时资源配置的速度不同,也无法计算出准确的配置时间。在相同条件下,两个集群弹性伸缩相同数量虚拟机时,两者资源配置速度是有时间差的,但应该在一定时间范围内。若两者弹性伸缩虚拟机的时间差超过该范围,则表明资源弹性配置存在延迟,统计所有组的对比测试结果计算出资源配置延迟比率。
该步骤中,通过计算资源配置延迟比率来评价资源配置速度,资源配置延迟比率通过公式(2)进行求取:
式中,n为施加和/或减少相同负载的测试次数,Rd为2个集群的资源配置延迟比率,mi表示第i次测试结果,每次测试过程中:如果2个集群增加或减少相同数量的虚拟机的用时之差在设定的时间范围内,则mi=0,如果超出设定的时间范围,则mi=1。
该步骤中,如果一个集群增加或减少一个虚拟机的耗时为t分钟,另一个集群增加或减少一个虚拟机的用时在t±1分钟范围内,则mi=0,如果另一个集群增加或减少一个虚拟机的用时超出了t±1分钟的范围,则mi=1。
如图5所示,给出了本发明中采用施加负载的方法对2个集群进行资源配置准确度和速度测评的流程图,对于资源配置准确度测评过程来说,图5中所获取的测试输出1、测试输出2为2个集群所增加或减少的虚拟机数量,其是否符合关联关系i(此时i=1或i=2)是判断所增加的虚拟机数量是否相等,此时的Vi为ni。对于资源配置速度测评来说,图5中所获取的测试输出1、测试输出2为2个集群增加相同数量的虚拟机的耗时,其是否符合关联关系i(此时i=3)是判断2个集群的耗时是否在设定范围内(如相差不超过1min),此时的Vi为mi。
d).虚拟机性能指标测评,首先在云计算平台上创建虚拟机或利用弹性伸缩出来的已创建虚拟机,然后分单进程和多进程对其进行性能项目测试,利用每个项目的测试分值计算出虚拟机的单进程测试和多进程测试总分数,然后计算综合性能分数来评价虚拟机的性能;
虚拟机性能的好坏直接影响用户体验效果,通常通过跑分测试来评估主机的综合性能。测试***各个方面的性能,每个项目得到一个测试分数,然后将每个项目的测试分数和一个基准值进行比较,得到一个指数值si,所有测试项目的指数值通过转换最终形成***综合性能分数,该分值越大,代表虚拟机性能越好。
该步骤中,通过执行12项项目测试来评价虚拟机的性能指标,12项项目测试为:字符串处理、浮点数操作的速度和效率、每秒钟可以执行的excel***调用的次数、从一个文件向另外一个文件传输2000个1024字节块数据的速率、从一个文件向另外一个文件传输500个256字节块数据的速率、从一个文件向另外一个文件传输8000个4096字节块数据的速率、一秒钟内一个进程可以向一个管道写512字节数据然后再读回的次数、一秒钟内两个进程通过一个管道交换一个不断增长的整数的次数、每秒钟一个进程可以创建子进程然后回收子进程的次数、进入和离开操作***内核的代价、一秒种内一个进程可以并发地开始一个shell脚本的k个拷贝的次数,其中,k取值为1或8;
然后将每个项目的测试分数与一个基准值进行比较,得到一个指数值si,利用公式(3)将所有测试项目的指数值转换为虚拟机单进程或多进程测试总分数:
式中,m为测试项目的个数,si表示第i个项目测试获得的索引值;
然后,利用单进程或多进程测试总分数,利用公式(4)计算虚拟机综合性能分数:
p=α*S+(1-α)*S′ (4)
式中,S为单进程测试总分数,S′是多进程测试总分数,0<α<1,α、(1-α)分别是对应的权重。
e).云计算平台资源弹性伸缩评价,如果步骤b)中获取的资源配置准确度和步骤c)中获取的资源配置速度在设定的范围内,且步骤d)中获取的虚拟机的综合性能分数在设定范围,则表明该云计算平台的资源弹性伸缩性能和虚拟机性能良好,可满足用户的需求和体验。
具体实验:
我们实验测试对象是一个OpenStack云计算平台,由1个控制器节点、1个网络节点、1个存储节点和10个计算节点组成,采用轮询策略调度相应物理服务器创建虚拟机,支持虚拟集群的自动部署和弹性伸缩。云计算管理***包括三个与弹性伸缩相关的组件:集群部署组件、监控组件和弹性伸缩服务。用户向此***提交创建web虚拟集群的请求,包括请求虚拟机的数量、配置以及Web应用的运行环境。集群部署组件自动创建多个虚拟机并在虚拟机上部署应用程序,从而完成Web应用程序集群的创建。
如图4所示,给出了本发明中对2个Web应用集群进行资源弹性伸缩测试的流程图,当集群运行时,监控组件收集虚拟机的实时资源利用率,并定期将数据保存在MongoDB数据库中。同时,弹性伸缩服务周期性地从MongoDB数据库中检索虚拟机资源利用率数据,计算集群的平均资源利用率,并根据弹性伸缩策略确定集群是否可以增加或减少虚拟机的数量。如果集群的平均资源利用率超过了弹性伸缩策略的预定义高阈值(如80%),它将触发OpenStack控制器创建新的虚拟机并将它们添加到集群中。相反,如果集群的平均资源利用率低于预定义的低阈值(如20%),则将从集群中删除虚拟机。弹性伸缩的实现与虚拟机的监控、弹性伸缩的判断和虚拟机配置密切相关。如果相关组件存在错误,则集群的弹性伸缩就不会成功。
我们创建两个完全相同的Web应用集群,包括相同的资源和运行环境,采用相同的弹性伸缩策略进行集群资源扩展。构造如下关联关系:
关联关系1:相同时间内对两个集群施加相同的负载,它们应该增加同样数量的虚拟机。
关联关系2:与关联关系1相比,相同时间内两个集群在负载减少相同的情况下,应该减少相同数量的虚拟机。
关联关系3:相同时间内两个集群受到同样负载的压力,导致它们的CPU利用率超过80%,则它们应该增加相同数量的虚拟机,两个集群增加虚拟机的时间应该是分钟级相似的,也就是说,如果一个集群在t分钟内增加了一个虚拟机,那么另一个集群增加一个虚拟机的时间应该在t±1分钟范围内。
为了测试云计算平台资源弹性伸缩,需要模拟应用程序的工作负载,触发资源弹性伸缩,我们使用开源软件“Webbench”产生工作负载施加到Web应用程序上。该软件可以同时模拟数千个访问Web应用的请求,提升集群的资源利用率,触发集群的弹性伸缩。我们创建了两组具有相同资源配置但不同操作***的集群,每个集群包括1个负载平衡服务器虚拟机、3个运行Web应用虚拟机和1个运行MySQL数据库的虚拟机,如表1所示,给出了2个集群(名称为G1、G2)的资源配置表。
表1
采用表2给出的弹性伸缩规则集进行测试:
表2
在执行每次测试之前,将每个集群重置为初始数量。对于每个关联关系,我们使用“Webbench”软件生成工作负载作为测试输入。对于关联关系1,通过执行“Webbench-c m-th http://192.168.80.12/”和“Webbench-c m-t h http://192.168.80.13/”来生成相同的测试输入1和测试输入2,192.168.80.12、192.168.80.13为两集群对应的IP地址,其中m和h可以设置为在范围[3000,20000]和[0,3600]范围内的随机值,分别执行访问Web站点的m个并发进程,在h秒内生成工作负载,资源利用率急剧增加到80%以上,然后保持在80%以上一段时间。对于关联关系2,我们首先同时执行等量并发负载加压,使两集群资源利用率均超过20%,然后同时中断负载加压,集群负载将快速降低,集群虚机应该弹性减少。对于关联关系3,可以按照关联关系1相同的方式构建测试输入1和测试输入2。对于每个关联关系,我们分别构建了100组测试输入来测试每组集群,实验结果如表3所示。
表3
根据上述对比结果统计,关联关系1和关联关系2数据对应资源配置不准确比率,关联关系3对应资源配置延迟比率,可见待测试云平台的资源配置不准确比率、资源配置延迟比率均大于10%,表明其资源弹性伸缩配置不合格,不满足用户的需求和体验。
使用“UnixBench”分别测试云平台的虚拟机性能。这些虚拟机具有相同的操作***“UbuntuServer14.04.5”,采用2CPU4G20G和4CPU8G50G两种不同资源规格。我们对每个虚拟机进行三次测试。虽然每个虚拟机的测试结果不同,但波动范围很小,不影响整体比较。表4列出了所有虚拟机的测试项目分值,表5列出虚拟机分数。
表4
表5
公式(4)中的α取值为0.3,表5给出了2类不同规格的虚拟机在运行单个和多个进程时虚拟机的综合性能分数,由于综合性能分数区间小于400的性能比较差、500-1000正常、大于1000优秀,可见,所测试的虚拟机的性能均优秀。
Claims (6)
1.一种云计算资源弹性测评方法,其特征在于,通过以下步骤来实现:
a).创建2个集群,在待测评的云计算平台上创建2个虚拟机数量和配置完全相同的集群;集群运行时,利用云计算平台的管理***中的监控组件和弹性伸缩服务实现对集群的资源弹性伸缩管理;
b).资源配置准确度测评,执行n次相同时间内对两个集群施加相同负载和/或减少相同负载的测试,每次测试之前将2个集群均重置为初始配置;通过判断每次施加或减少相同负载时,2个集群所增加或减少的虚拟机数量是否相等来评价云计算平台的资源配置准确度;
c).资源配置速度测评,在步骤b)中n次施加和/或减少相同负载测试过程中,通过判断2个集群增加或减少相同数量的虚拟机时,其所用时间的时间差是否在设定时间范围内来评价云计算平台的资源配置速度;
d).虚拟机性能指标测评,首先在云计算平台上创建一定资源规格的虚拟机,然后分单进程和多进程对其进行性能项目测试,利用每个项目的测试分值计算出虚拟机的单进程测试和多进程测试总分数,然后计算综合性能分数来评价虚拟机的性能;
e).云计算平台资源弹性伸缩评价,如果步骤b)中获取的资源配置准确度和步骤c)中获取的资源配置速度在设定的范围内,且步骤d)中获取的虚拟机的综合性能分数在设定范围,则表明该云计算平台的资源弹性伸缩性能和虚拟机性能良好,可满足用户的需求和体验。
4.根据权利要求1或2所述的云计算资源弹性测评方法,其特征在于,步骤d)中通过执行12项项目测试来评价虚拟机的性能指标,12项项目测试为:字符串处理、浮点数操作的速度和效率、每秒钟可以执行的excel***调用的次数、从一个文件向另外一个文件传输2000个1024字节快数据的速率、从一个文件向另外一个文件传输500个256字节快数据的速率、从一个文件向另外一个文件传输8000个4096字节块数据的速率、一秒钟内一个进程可以向一个管道写512字节数据然后再读回的次数、一秒钟内两个进程通过一个管道交换一个不断增长的整数的次数、每秒钟一个进程可以创建子进程然后回收子进程的次数、进入和离开操作***内核的代价、一秒种内一个进程可以并发地开始一个shell脚本的k个拷贝的次数,其中,k取值为1或8;
然后将每个项目的测试分数与一个基准值进行比较,得到一个指数值si,利用公式(3)将所有测试项目的指数值转换为虚拟机单进程或多进程测试总分数:
式中,m为测试项目的个数12,si表示第i个项目测试获得的指数值;
然后,利用单进程或多进程测试总分数,利用公式(4)计算虚拟机综合性能分数:
p=α*S+(1-α)*S′ (4)
式中,S为单进程测试总分数,S′是多进程测试总分数,0<α<1,α、(1-α)分别是对应的权重。
5.根据权利要求2所述的云计算资源弹性测评方法,其特征在于:步骤b)中,如果资源配置不准确比率Ru=0,表明云计算平台的资源配置准确度精准且稳定,如果0<Ru≤10%,表明云计算平台的资源配置准确度在可接受的范围内,如果Ru>10%,表明云计算平台的资源配置准确度低、效果差,***存在错误,应查找出具体原因并解决;
步骤b)中,在所建立的2个集群均为Web应用集群的情况下,通过执行开源软件Webbench中的Webbench-cm-th http://192.168.80.xx/命令来模拟相应数量的访问Web应用的请求,以触发集群增加或减少虚拟机数量,其中m和h为根据需求分别在[3000,20000]和[0,3600]范围内设置的数值,用于执行访问Web应用集群的m个并发进程,并在h秒内生成工作负载;
步骤b)中,每次对集群施加负载的过程中,资源利用率急剧增加到80%以上,并保持在80%以上一段时间,以触发集群增加虚拟机数量;在对集群减少相同负载的测试时,首先使两集群资源利用率均超过20%,然后同时中断负载加压,使集群负载快速降低,以触发集群减少虚拟机数量。
6.根据权利要求3所述的云计算资源弹性测评方法,其特征在于:步骤c)中,如果一个集群增加或减少一个虚拟机的耗时为t分钟,另一个集群增加或减少一个虚拟机的用时在t±1分钟范围内,则mi=0,如果另一个集群增加或减少一个虚拟机的用时超出了t±1分钟的范围,则mi=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910542314.7A CN110278125B (zh) | 2019-06-21 | 2019-06-21 | 一种云计算资源弹性测评方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910542314.7A CN110278125B (zh) | 2019-06-21 | 2019-06-21 | 一种云计算资源弹性测评方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110278125A CN110278125A (zh) | 2019-09-24 |
CN110278125B true CN110278125B (zh) | 2022-03-29 |
Family
ID=67962212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910542314.7A Active CN110278125B (zh) | 2019-06-21 | 2019-06-21 | 一种云计算资源弹性测评方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110278125B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975340A (zh) * | 2016-03-24 | 2016-09-28 | 国云科技股份有限公司 | 一种虚拟机应用分配部署算法 |
CN106407007A (zh) * | 2016-08-31 | 2017-02-15 | 上海交通大学 | 面向弹性分析流程的云资源配置优化方法 |
WO2017128979A1 (zh) * | 2016-01-30 | 2017-08-03 | 华为技术有限公司 | 一种资源管理方法及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016026131A1 (zh) * | 2014-08-22 | 2016-02-25 | 上海交通大学 | 一种基于 numa 高性能网络缓存资源亲和度的虚拟处理器的调度方法 |
-
2019
- 2019-06-21 CN CN201910542314.7A patent/CN110278125B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017128979A1 (zh) * | 2016-01-30 | 2017-08-03 | 华为技术有限公司 | 一种资源管理方法及设备 |
CN105975340A (zh) * | 2016-03-24 | 2016-09-28 | 国云科技股份有限公司 | 一种虚拟机应用分配部署算法 |
CN106407007A (zh) * | 2016-08-31 | 2017-02-15 | 上海交通大学 | 面向弹性分析流程的云资源配置优化方法 |
Non-Patent Citations (1)
Title |
---|
云计算弹性评测模型的研究与实现;戴荣倩等;《计算机工程与科学》;20160815(第08期);69-75 * |
Also Published As
Publication number | Publication date |
---|---|
CN110278125A (zh) | 2019-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Trushkowsky et al. | The {SCADS} Director: Scaling a Distributed Storage System Under Stringent Performance Requirements | |
CN103294546B (zh) | 多维度资源性能干扰感知的虚拟机在线迁移方法及*** | |
US7467291B1 (en) | System and method for calibrating headroom margin | |
CN109144724A (zh) | 一种微服务资源调度***及方法 | |
CN108038040A (zh) | 计算机集群性能指标检测方法、电子设备及存储介质 | |
US20130198758A1 (en) | Task distribution method and apparatus for multi-core system | |
US20090006071A1 (en) | Methods for Definition and Scalable Execution of Performance Models for Distributed Applications | |
CN109918170A (zh) | 一种云数据中心虚拟机动态资源配置方法及*** | |
CN110502323B (zh) | 一种云计算任务实时调度方法 | |
WO2021253817A1 (zh) | 一种互联通道的调整方法、装置、***、设备和介质 | |
Tuli et al. | Start: Straggler prediction and mitigation for cloud computing environments using encoder lstm networks | |
US11669374B2 (en) | Using machine-learning methods to facilitate experimental evaluation of modifications to a computational environment within a distributed system | |
Zhang et al. | Autrascale: an automated and transfer learning solution for streaming system auto-scaling | |
CN110278125B (zh) | 一种云计算资源弹性测评方法 | |
Srivastava et al. | Investigating the robustness of adaptive dynamic loop scheduling on heterogeneous computing systems | |
Zhu et al. | Estimating power consumption of servers using gaussian mixture model | |
CN110928676B (zh) | 一种基于性能评估的电力cps负荷分配方法 | |
CN115913967A (zh) | 一种云环境下基于资源需求预测的微服务弹性伸缩方法 | |
KR20160044623A (ko) | 리눅스 가상 서버의 로드 밸런싱 방법 | |
Banicescu et al. | Towards the robustness of dynamic loop scheduling on large-scale heterogeneous distributed systems | |
CN111858070B (zh) | 计算资源配置方法、装置、设备以及存储介质 | |
Glatard et al. | Probabilistic and dynamic optimization of job partitioning on a grid infrastructure | |
US10983837B2 (en) | Method and apparatus for load estimation | |
CN108073502B (zh) | 一种测试方法及其*** | |
Guo et al. | Software rejuvenation strategy based on components |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |