CN112367349A - 一种协同优化云运营商能耗和用户开销的方法和*** - Google Patents

一种协同优化云运营商能耗和用户开销的方法和*** Download PDF

Info

Publication number
CN112367349A
CN112367349A CN202011023821.9A CN202011023821A CN112367349A CN 112367349 A CN112367349 A CN 112367349A CN 202011023821 A CN202011023821 A CN 202011023821A CN 112367349 A CN112367349 A CN 112367349A
Authority
CN
China
Prior art keywords
module
task
user
resource
resources
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.)
Granted
Application number
CN202011023821.9A
Other languages
English (en)
Other versions
CN112367349B (zh
Inventor
李云波
金晨
彭建鑫
罗亨
罗喜伶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Innovation Research Institute of Beihang University
Original Assignee
Hangzhou Innovation Research Institute of Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Innovation Research Institute of Beihang University filed Critical Hangzhou Innovation Research Institute of Beihang University
Priority to CN202011023821.9A priority Critical patent/CN112367349B/zh
Publication of CN112367349A publication Critical patent/CN112367349A/zh
Application granted granted Critical
Publication of CN112367349B publication Critical patent/CN112367349B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0611—Request for offers or quotes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/24—Negotiation of communication capabilities
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Computer Security & Cryptography (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种协同优化云运营商能耗和用户开销的方法和***。针对当前云数据中心中，平均资源使用率不高，PaaS层和IaaS层运营商之间信息不互通，造成资源和能耗的双重浪费等问题。本发明的***在PaaS层设置PB模块，用于PaaS和IaaS间的协商。PB模块根据任务类型和任务对应的资源需求向多个IaaS层运营商申请资源并发送多个请求方案，IaaS层运营商设置的IB模块根据资源需求和任务类型返回不同请求方案的参考报价供PB模块排序和向用户推荐，本发明一方面可以提高资源使用率，降低云运营商的能源消耗；另一方面可以提供给灵活的不同计费方案，根据每个用户的需求，可以最大限度的降低用户的经济开销。

Description

一种协同优化云运营商能耗和用户开销的方法和***
技术领域
本发明涉及云计算领域，具体设计一种协同优化云运营商能耗开销与用户经济开销的方法和***。
背景技术
云计算，是一种基于资源共享的商业模式，通过云计算，服务商共享的软件和硬件资源可以按用户需求提供给用户。云计算数据中心作为云计算的基础设施提供软硬件资源。架构上，云计算主要分为IaaS，PaaS和SaaS，其中IaaS(Infrastructure as aService)，基础设施即服务，主要提供经虚拟化技术的计算资源，为用户提供计算、存储、网络等各类计算资源，用户可以使用分配的资源，但不能对云计算基础设施进行控制；PaaS(Platform as a Service)，平台即服务，允许用户部署自定义的应用程序和使用服务商提供的模块化的组件部署到云计算基础设施上，用户不需要管理硬件资源，PaaS允许用户托管应用程序或者自行控制；SaaS(Software as a service)，软件即服务，由服务商直接提供给开发好的的应用程序给用户，该类的应用程序运行在云上计算基础设施上，用户不需要管理或控制云计算基础设施。对于一些对资源有一定需求的场景，由于SaaS不能按照用户需求提供灵活弹性的解决方案，用户只能选择IaaS或者SaaS类服务。当前云数据中心中，资源平均使用率并不高，从云运营商的角度来看，造成了资源和能耗的双重浪费；从用户角度来看，用户承担了由云运营商对资源管理效率低而造成的额外经济开销。
在IaaS层，可以清楚看到各项资源的使用率。在PaaS层，用户无法看到各项资源的剩余情况，通常PaaS用户将程序直接提交给PaaS层并支付相关费用，PaaS层立刻向IaaS层的运营商申请对应资源，成功申请到资源后运行任务。其中，PaaS层并不知晓IaaS层运营商的资源使用率和功耗。此外，对于在IaaS层运营商的每台物理机有基础功耗。单台物理机在运行且不执行任何任务的情况下，物理机的基础功耗占峰值功耗的30％以上。由于PaaS层不知道IaaS层运营商的资源使用率，当PaaS层从用户接收到资源申请的时候，PaaS层直接将需求的资源向IaaS层运营商请求。IaaS层运营商如果有足够资源对应用户任务资源需求，则直接预留资源并返回给PaaS层；如果当前IaaS层运营商所有在运行的服务器没有足够的资源对应用户的任务资源需求，IaaS层运营商则直接启动一台新的物理机去运行任务。对于IaaS层运营商来说为了一个任务单独去开启一台物理机，如果长时间没有新的任务抵达，导致物理机的基础功耗会消耗很多不必要的能源；从PaaS运营商的角度来看，只要用户付了相关费用，运营商对于资源和能源的浪费不会优先关注，由于资源和能源浪费导致的开销最终平摊到各个用户的经济开销中。但是至于用户最终所付费购买的云计算资源各项资源的使用率情况，用户并不知晓。用户可能为云运营商资源和能源使用不合理带来的额外经济开销买单。
同时，由于数据中心可以接入多类电源，电费根据类型和时段也非统一价格，应给用户提供更多价格可选方案，即PaaS运营商可以向多个不同的IaaS运营商。所以，不论从运营商还是用户的角度，应该提出一种协商机制，打通PaaS和IaaS层运营商之间因信息不互通而造成的问题，一方面希望能够提高各项资源使用率降低数据中心功耗，同时降低因资源使用不合理而造成的用户经济开销。
发明内容
针对现阶段各类技术的不足，本发明提供一种协同优化云运营商能耗和用户开销的方法。本发明的技术方案如下：
本发明首先公开了一种协同优化云运营商能耗和用户开销的方法，其包括如下步骤：
S01：用户向PaaS层提交任务申请；
S02：PaaS层设置的PB(PaaS Broker)模块收到用户提交的任务申请后，确认当前用户提交的任务类型，任务类型包括时延敏感型和非时延敏感型，PB模块根据任务类型和任务对应的资源需求向多个IaaS层运营商申请资源(包含询价)；其中，对于非时延敏感型任务，PB模块向每个IaaS层运营商的申请包括三个请求方案：
1)Direct：按照满足任务SLA所需的资源直接运行，对应参考经济开销p1；
2)Delayed：按照满足任务SLA所需的资源在一个时间容忍度twait内运行，对应参考经济开销p2；
3)Mutation：将任务所需资源降低一个级别，能够满足用户QoS(Quality ofService，服务质量)或者接近满足，任务运行时间将变长,对应参考价格p3；
S03：每个IaaS层运营商根据资源需求和任务类型返回参考报价；其中对于非时延敏感型任务，每个IaaS层运营商分别返回对应三项方案的参考价格依次为p1、p2、p3；
S04：当每个IaaS层运营商都返回报价后，PB模块对每个请求方案的所有反馈的报价进行排序，选出每个请求方案经济开销最优的参考价格供用户选择。
作为本发明的优选方案，步骤S02中，对于当前用户提交的任务，PB模块计算出满足其SLA(Service-Level Agreement，服务等级协议)的资源需求<dvcpu,dram>,dvcpu代表其任务运行时所需要的CPU核心数，dram代表其任务所需的内存容量。
作为本发明的优选方案，步骤S03中，对于时延敏感型任务，每个IaaS层运营商接到PB资源申请后，在其拥有的处于运行状态的物理机中进行资源检索，如果发现存在物理机拥有对应资源，则选出其中一台物理机；如果没有任何物理机有符合要求的资源，则启动一台新物理机；返回并附上经济开销c；
用户的经济开销c则基于当前IaaS层运营商的能源供给分布定义：
c＝α*ebrown+β*egreen
此经济开销为各个IaaS层运营商反馈给PB模块的最终经济开销，α、β分别为非可再生能源与可再生能源的权重系数，ebrown表示非可再生能源，egreen表示可再生的清洁能源(例：光伏能源)。
作为本发明的优选方案，步骤S03中，对于Direct请求方案，每个IaaS层运营商接到PB资源申请后，在其拥有的处于运行状态的物理机中进行资源检索，如果发现存在物理机有对应资源，则选出其中一台物理机；如果没有任何物理机有符合要求的资源，则启动一台新物理机；返回并附上经济开销c；
用户的经济开销c则基于当前IaaS层运营商的能源供给分布定义：
c＝α*ebrown+β*egreen
此经济开销为各个IaaS层运营商反馈给PB模块的经济开销，α、β分别为非可再生能源与可再生能源的权重系数，ebrown表示非可再生能源，egreen表示可再生的清洁能源(例：光伏能源)。其中，上述方案Direct中的经济开销p1＝c。
作为本发明的优选方案，步骤S03中，对于Delayed请求方案，搜索在未来时刻t1(t1≤ccurrent+twait)是否存在当前运行的物理机中，有任务要结束并释放资源<dvcpu′,dram′>,且同时满足：
Mcpu+d′vcpu-|cpuused|≤dvcpu
Mram+d′ram-|ramused|≤dram
计算奖励函数：
cgain＝eprice*pidle*(t1-tcurrent)
其中，eprice为单位时间能源费用，即电费；pidle为物理机空转时候的基础功耗；tcurrent为当前时间；
返回参考价格p2，p2＝ρ*(c-cgain)+(1-ρ)*t1，ρ为自定义权重系数；其中c为Direct请求方案对应的经济开销，若没有满足要求的物理机，则返回null给PB模块。
作为本发明的优选方案，步骤S03中，对于Mutation请求方案，对任务所需dvcpu资源按下式进行压缩：
Figure BDA0002701537620000041
所需资源压缩后，评估和预测是否能达到用户要求的SLA；如果能够达到SLA，则寻找能够满足资源需求的物理机m并计算的经济开销c3；如果不存在满足当前资源需求的物理机，则返回null给PB模块，经济开销c3的定义如下，
Figure BDA0002701537620000042
其中γ为权重系数，计算完成后，每个IaaS层运营商反馈价格p3，p3＝(c3,t3)，即任务完成总共会延迟t3秒完成，t3＝t1+t2,其中t1与Delayed请求方案中t1一样，表示任务会延迟t1秒开始执行；t2表示由于压缩任务所需资源造成的延迟。
作为本发明的优选方案，步骤S04中，当每个IaaS层运营商都返回给PB模块结果后，PB模块对所有反馈的参考价格p1,p2,p3进行升序排序，分别选出各项中最优的IaaS服务商价格并反馈给用户。
本发明还公开了一种协同优化云运营商能耗和用户开销的***，其包括PaaS层和多个IaaS层运营商；
所述的PaaS层包括PB模块，所述的PB模块用于和IaaS层运营商进行通信；PB模块根据任务类型和任务对应的资源需求向多个PaaS层申请资源；其中，对于非时延敏感型任务，PB模块向每个PaaS层的申请包括三个请求方案：
1)Direct：按照满足任务SLA所需的资源直接运行，对应参考经济开销p1；
2)Delayed：按照满足任务SLA所需的资源在一个时间容忍度twait内运行，对应参考经济开销p2；
3)Mutation：将任务所需资源降低一个级别，能够满足用户QoS或者接近满足，任务运行时间将变长,对应参考价格p3；
所述的PB模块还对每个请求方案的所有IaaS层运营商反馈的报价进行排序，选出每个请求方案中经济开销最优的IaaS运营商参考价格供用户选择；
每个IaaS层运营商根据资源需求和任务类型返回参考报价；其中对于非时延敏感型任务，每个IaaS层运营商分别返回对应三个请求方案的参考价格p1、p2、p3给PB模块。
与现有技术相比，本发明提供了一种协同云基础设施层(IaaS)和云平台层(PaaS)合作的协商机制，一方面可以提高资源使用率，降低云运营商的能源消耗；另一方面可以提供更为灵活且经济的不同计费方案，根据每个用户的需求，可以最大限度的降低用户的经济开销。
为了优化资源的使用，本发明根据IaaS层运营商的自身情况可以给出不同的方案:a)性能优先；b)性能保证但有一定程度的延迟，延迟是在用户可接受范围内的；c)在性能和价格之间的妥协方案；这样一方面在IaaS层运营商面降低了不必要的功耗，又在PaaS层为用户提供了更多更灵活经济性更好的方案。
本发明的PaaS层向多家IaaS运营商索要资源报价，然后将最优的选择反馈给用户从而更进一步降低用户的经济开销。
附图说明
图1为实施例中的用vCPU8和vCPU24处理不同条数数据流时的响应时间；
图2为TS类任务反馈示意图；
图3为TNS类型任务反馈示意图。
具体实施方式
下面结合具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合。
本发明中在PaaS层设置PasS Broker模块(简称PB模块)做为协商模块，处于PaaS层，用于PaaS和IaaS间的协商。此处，IaaS层运营商服务商应该为多个。每一个IaaS运营商拥有一个IaaS Broker模块(简称IB模块)用于与PB模块通信和协商。IB模块监控着云计算数据中心中各项资源的使用率，具体到每台物理机的处理器、内存、网络、硬盘等资源的使用率。同时，IB模块能够看到数据中心中各项能源实时供给的比例，例如当前电能70％的供给为火电，30％的供给为太阳能等可再生能源。不同的供电类型会对最终经济开销有影响。
PB模块收到用户提交的任务申请时，首先确认当前用户提交的任务类型，即时延敏感型还是非时延敏感型。
时延敏感型，简称TS，即对任务的完成时间有着严格的要求。
非时延敏感型，简称TNS，即当前任务对完成时间有一定的容忍。用户对任务的完成只有一个大概的要求，通常任务运行结束的时间通常会在用户要求的时间前完成。
换句话说，当前任务可以用更少的资源更低的最终价格运行，当前任务的完成时间也会变长。如果用户对时间容忍度较高，PB模块对任务资源需求进行分析后将资源需求发送给各个IaaS供应商。
每一个IaaS供应商在收到PaaS的申请时，对TS类任务，IaaS供应商根据当前的能源供给情况给出相应报价p1；对于TNS类任务，IaaS供应商给出能源供给和资源使用情况给出三种不同方案的价格，即无延时p1、有一定延迟不压缩资源p2、有延迟并压缩资源p3三种报价；最终反馈给PB模块。
PB模块收到所有IaaS层运营商报价后，对每种报价从低到高进行排序，组成一个三元组<p1,p2,p3>反馈给用户，用户做出决策后，PB模块根据用户反馈的决策向相应IB模块完成资源预约，至此，整个流程结束。
以下介绍本具体的实施过程：
用户提交给PB模块的任务可以定义为一个三元组<jtype,jdescription,twait>。PB模块收到用户请求后，对任务进行解析。
如果任务type为时延敏感型(TS)，PB模块通过资源评估模块，基于jdescription计算出满足其SLA的资源需求<dvcpu,dram>,dvcpu代表其任务运行时所需要的CPU核心数，dram代表其任务所需的内存容量。PB模块直接将资源需求<dvcpu,dram>向所有IaaS供应商发送资源需求和报价申请，每个IaaS供应商可以看作设置有一个IaaS Broker模块(简称IB模块)。每一个IB模块接到PB模块资源申请后，在其拥有的处于运行状态的物理机中进行资源检索，如果发现存在物理机有对应资源，基于First Fit Decreasing(FFD)算法选出物理机m；如果没有任何物理机有符合要求的资源，则启动一台新物理机m，返回并附上经济开销c；
经济开销c与当前IaaS服务商的能源供给分布关系最直接：
c＝α*ebrown+β*egreen
此经济开销为各个IB反馈给PB的最终经济开销，同时其也对应TNS类型任务p1价格。
如果type为非时延敏感型(TNS)，PB模块直接向所有IaaS供应商申请资源。
与TS类型任务不同的是，这里请求分为三个1.Direct 2.Delayed 3.Mutation
1.Direct：按照满足任务SLA所需的资源直接运行，对应参考经济开销p1；
2.Delayed：按照满足任务SLA所需的资源在一个时间容忍度twait内运行，经济开销稍微降低，对应参考经济开销p2；
3.Mutation：将任务所需资源降低一个级别，能够满足用户QoS或者接近满足，经济开销大幅降低，任务运行时间将变长,对应参考价格p3。
每一个IB模块收到请求后,首先对其拥有的每一台物理机资源进行检索，如果存在物理机拥有足够资源满足任务资源需求，将其加入列表l；如果所有计算机中没有任何一台能够满足任务SLA的资源需求，首先搜索在未来时刻t1(t1≤ccurrent+twait)，是否存在当前运行的物理中，有任务要结束并释放资源<dvcpu′,dram′>,且同时满足：
Mcpu+d′vcpu-|cpuused|≤dvcpu
Mram+d′ram-|ramused|≤dram
计算奖励函数：
cgain＝eprice*pidle*(t1-tcurrent)
其中eprice为单位时间能源费用，即电费；pidle为物理机空转时候的基础功耗；tcurrent为当前时间。此方案对应经济开销p2，p2＝ρ*(c-cgain)+(1-ρ)*t1，ρ为自定义权重系数；其中c为Direct请求方案对应的经济开销，若没有满足要求的物理机，则返回null给PB模块。
经济开销p3：
当前没有任意一台物理机满足任务资源需求，且在未来时刻t1(t1≤ccurrent+d)，不存在任意一台物理机满足任务资源需求，即对任务所需dvcpu资源进行压缩
Figure BDA0002701537620000081
任务所需资源压缩后，，是否能达到用户要求的SLA。如果能够达到SLA，则寻找能够满足资源需求的物理机m并返回新的经济开销c给PB；如果不存在满足当前资源需求的物理机，则返回null给PB。新的经济开销c计算如下，
Figure BDA0002701537620000082
其中γ为权重系数，IaaS供应商可自行设置以用于提高收益，通常0<γ≤2。计算完成后，每个IB反馈PB其三个不同价格的方案<p1,p2,p3>。p3最终表示为(c3,t3),即任务完成总共会延迟t3秒完成，t3＝t1+t2,其中t1与p2中t1一样，表示任务会延迟t1秒开始执行；t2表示由于压缩资源任务所需资源造成的延迟。
当每个IB模块都返回给PB模块结果后，PB模块对所有IB模块反馈的p1,p2,p3进行升序排序。当每个IaaS层运营商都返回给PB模块结果后，PB模块对所有反馈的参考价格p1,p2,p3进行升序排序，分别选出各项中最优的IaaS服务商价格并反馈给用户。如图1所示，此处以实时处理任务作为例子，此类任务属于计算密集型，对CPU资源需求高。IB模块收到任务需求后，分别用24vCPU和8vCPU处理同一个请求。假设该任务最大数据流为6条，即该任务在峰值需要接入六条数据流同时进行实时处理，且任务响应时间，质量服务等级(QoS)要求为200ms以内。
注：ds1为data streaming-1简称，ds2，ds3等依次类推。下图为不同vCPU的对应相同任务的响应速度。ds1表示用vCPU8和vCPU24处理同1条数据流，vCPU8响应时间为100毫秒，vCPU24响应速度为90毫秒；ds2表示用vCPU8和vCPU24同时处理两条数据流的响应时间，由于计算更加复杂，所以对计算资源依赖更高。在ds2中，vCPU8和vCPU24均能提供用户所需的服务质量(QoS)；ds3等依次类推。其中，在ds4的情境中，vCPU8的响应时间为220毫秒，已经不能满足当前任务的服务质量要求(QoS)，而vCPU24仍然满足其QoS。所以，从ds4起(包括ds4)，vCPU8不能再满足当前任务的服务质量要求。从能耗角度来看，对于当前正在运行的服务器只能提供vCPU8资源的IaaS运营商，则只能选择推迟任务直至其拥有足够资源(vCPU24)能够满足用户质量服务需求或直接启用一台拥有足够资源的服务器。
图2为针对TS类任务，各个IB模块反馈给PB模块的价格，PB模块选出经济开销最小的直接反馈用户，即IB_1的(118,0)
图3为针对TNS类型任务，多个IB模块收到PB模块资源请求后，根据其自身当前资源反馈给PaaS层运营商的方案。每个IB模块反馈的价格由三个方案构成<p1,p2,p3>。例如，IB_1{(118,0),(82,120),(57,260)}，其中IB_1给出一个性能优先IB_1(118,0)为0秒后运行，经济开销118；(82,120)为能耗优先报价，82为经济开销，120为需要延迟120后运行时间；(57，260)为最优经济开销，经济开销仅仅为57，但整个任务会被延长260秒完成，这260秒可能是因为压缩资源、延迟运行、或前两者共同造成。不同的IaaS层运营商给出的价格有可能不同，当PB模块收到所有IB模块的报价和其他信息后，选出其中等待时间最短IB_1(118,0)，即性能最好且经济开销较高；等待时间与经济开销最平衡，来自IB_2的(88,102)；等待时间最长、经济开销最优的,IB_3(45,381)。其中显示为null表示该IB模块当前不能提供此类服务。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种协同优化云运营商能耗和用户开销的方法，其特征在于包括如下步骤：
S01：用户向PaaS层提交任务申请；
S02：PaaS层设置的PB模块收到用户提交的任务申请后，确认当前用户提交的任务类型，任务类型包括时延敏感型和非时延敏感型，PB模块根据任务类型和任务对应的资源需求向多个IaaS层运营商申请资源；其中，对于非时延敏感型任务，PB模块向每个IaaS层运营商的申请包括三个请求方案：
1)Direct：按照满足任务SLA所需的资源直接运行，对应参考经济开销p1；
2)Delayed：按照满足任务SLA所需的资源在一个时间容忍度twait内运行，对应参考经济开销p2；
3)Mutation：将任务所需资源降低一个级别，能够满足用户QoS或者接近满足，任务运行时间将变长，对应参考价格p3；
S03：每个IaaS层运营商设置的IB模块根据资源需求和任务类型返回参考报价；其中对于非时延敏感型任务，每个IB模块分别返回对应三个请求方案的参考价格p1、p2、p3；
S04：当每个IaaS层运营商设置的IB模块都返回报价后，PB模块对每个请求方案的所有反馈的报价进行排序，选出每个请求方案经济开销最优的参考价格供用户选择。
2.根据权利要求1所述的协同优化云运营商能耗和用户开销的方法，其特征在于步骤S02中，对于当前用户提交的任务，PB模块计算出满足其SLA的资源需求<dvcpu，dram>，dvcpu代表其任务运行时所需要的CPU核心数，dram代表其任务所需的内存容量。
3.根据权利要求2所述的协同优化云运营商能耗和用户开销的方法，其特征在于步骤S03中，对于时延敏感型任务，每个IB模块接到PB资源申请后，在其拥有的所有物理机中进行资源检索，对每一台物理机进行检索，如果发现存在物理机有对应资源，则选出一台物理机；如果没有任何物理机有符合要求的资源，则启动一台新物理机；返回并附上经济开销c；
经济开销c与当前IaaS层运营商的能源供给分布关系如下：
c＝α*ebrown+β*egreen
此经济开销为各个IaaS层运营商反馈给PB模块的最终经济开销，α、β为权重系数，ebrown表示非可再生能源，egreen表示可再生的清洁能源。
4.根据权利要求1所述的协同优化云运营商能耗和用户开销的方法，其特征在于，步骤S03中，对于Direct请求方案，每个IB模块接到PB资源申请后，在其拥有的所有物理机中进行资源检索，对每一台物理机进行检索，如果发现存在物理机有对应资源，则选出一台物理机；如果没有任何物理机有符合要求的资源，则启动一台新物理机；返回并附上经济开销c；
经济开销c与当前IaaS层运营商的能源供给分布关系如下：
c＝α*ebrown+β*egreen
此经济开销为各个IB模块反馈给PB模块的最终经济开销，α、β为相应的权重系数，ebrown表示非可再生能源，egreen表示可再生的清洁能源。
5.根据权利要求1所述的协同优化云运营商能耗和用户开销的方法，其特征在于，步骤S03中，对于Delayed请求方案，搜索在未来时刻t1(t1≤ccurrent+twait)是否存在当前运行的物理机中，有任务要结束并释放资源<dvcpu′，dram′>，且同时满足：
Mcpu+d′vcpu-|cpuused|≤dvcpu
Mram+d′ram-|ramused|≤dram
计算奖励函数：
cgain＝eprice*pidle*(t1-tcurrent)
其中，Mcpu、Mram分别对应物理机的CPU资源和内存资源；cpuused、ramused对应当前物理机已经使用的CPU资源和内存资源；eprice为单位时间能源费用，即电费；pidle为物理机空转时候的基础功耗；tcurrent为当前时间；
返回参考价格p2，p2表示为(c-cgain，t1)；其中c为Direct请求方案对应的经济开销，若没有满足要求的物理机，则返回null给PB模块。
6.根据权利要求1所述的协同优化云运营商能耗和用户开销的方法，其特征在于，步骤S03中，对于Mutation请求方案，对任务所需dvcpu资源按下式进行压缩：
Figure FDA0002701537610000021
其中参数rc表示资源压缩比率；当所需资源压缩后，评估和预测是否能达到用户要求的SLA；如果能够达到SLA，则寻找能够满足资源需求的物理机并计算的经济开销c3；如果不存在满足当前资源需求的物理机，则返回null给PB模块，经济开销c3计算如下，
Figure FDA0002701537610000031
其中γ为权重系数，计算完成后，每个IaaS层运营商反馈参考价格p3，p3最终表示为(c3，t3)，即任务完成总共会延迟t3秒完成，t3＝t1+t2，其中t1与Delayed请求方案中t1一样，表示任务会延迟t1秒开始执行；t2表示由于压缩资源任务所需资源造成的延迟。
7.根据权利要求1所述的协同优化云运营商能耗和用户开销的方法，其特征在于，步骤S04中，当每个IB模块都返回给PB模块结果后，PB模块对所有反馈的参考价格p1，p2，p3进行排序；选出每个请求方案经济开销最优的参考价格供用户选择；
其中，对于p1，则为选出经济开销最优的p1；对于p2＝(c-cgain，t1)，则根据s＝ρ*(c-cgain)+(1-ρ)*t1进行升序排列，选出s排名第一的IaaS层运营商，ρ为自定义权重系数；对于p3，则选出最小的经济开销的IaaS层运营商。
8.一种协同优化云运营商能耗和用户开销的***，其特征在于包括：PaaS层和多个IaaS层运营商；
所述的PaaS层包括PB模块，所述的PB模块用于和IaaS层运营商进行通信；PB模块根据任务类型和任务对应的资源需求向多个PaaS层运营商申请资源；其中，对于非时延敏感型任务，PB模块向每个PaaS层运营商的申请包括三个请求方案：
1)Direct：按照满足任务SLA所需的资源直接运行，对应参考经济开销p1；
2)Delayed：按照满足任务SLA所需的资源在一个时间容忍度twait内运行，对应参考经济开销p2；
3)Mutation：将任务所需资源降低一个级别，能够满足用户QoS或者接近满足，任务运行时间将变长，对应参考价格p3；
所述的PB模块还对每个请求方案的所有IaaS层运营商反馈的报价进行排序，选出每个请求方案经济开销最优的参考价格供用户选择；
每个IaaS层运营商均设置有IB模块，IB模块根据PB模块发送的请求方案中的资源需求和任务类型返回参考报价；其中对于非时延敏感型任务，每个IaaS层运营商设置的IB模块分别返回对应三个请求方案的参考价格p1、p2、p3给PB模块。
CN202011023821.9A 2020-09-25 2020-09-25 一种协同优化云运营商能耗和用户开销的方法和*** Active CN112367349B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011023821.9A CN112367349B (zh) 2020-09-25 2020-09-25 一种协同优化云运营商能耗和用户开销的方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011023821.9A CN112367349B (zh) 2020-09-25 2020-09-25 一种协同优化云运营商能耗和用户开销的方法和***

Publications (2)

Publication Number Publication Date
CN112367349A true CN112367349A (zh) 2021-02-12
CN112367349B CN112367349B (zh) 2022-06-28

Family

ID=74508262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011023821.9A Active CN112367349B (zh) 2020-09-25 2020-09-25 一种协同优化云运营商能耗和用户开销的方法和***

Country Status (1)

Country Link
CN (1) CN112367349B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1801808A (zh) * 2005-08-24 2006-07-12 华为技术有限公司 通信网络中提高资源利用效率的方法及***
CN102640475A (zh) * 2009-12-03 2012-08-15 国际商业机器公司 云计算环境内的云间资源共享
US20130346227A1 (en) * 2012-06-22 2013-12-26 Microsoft Corporation Performance-Based Pricing for Cloud Computing
WO2016195716A1 (en) * 2015-06-05 2016-12-08 Hewlett Packard Enterprise Development Lp Price, completion time, and resource allocation determination for cloud services

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1801808A (zh) * 2005-08-24 2006-07-12 华为技术有限公司 通信网络中提高资源利用效率的方法及***
CN102640475A (zh) * 2009-12-03 2012-08-15 国际商业机器公司 云计算环境内的云间资源共享
US20130346227A1 (en) * 2012-06-22 2013-12-26 Microsoft Corporation Performance-Based Pricing for Cloud Computing
WO2016195716A1 (en) * 2015-06-05 2016-12-08 Hewlett Packard Enterprise Development Lp Price, completion time, and resource allocation determination for cloud services

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
何丽，饶俊，赵富强: "《一种基于能耗优化的云计算***任务调度方法》", 《计算机工程与应用》, 31 October 2013 (2013-10-31) *
赵又霖: "《基于服务等级协议的云服务成本计算模型研究》", 《信息科技辑》, 30 June 2017 (2017-06-30) *
魏艺: "《SaaS应用的任务调度与资源配置算法研究》", 《信息科技辑》, 30 September 2019 (2019-09-30) *

Also Published As

Publication number Publication date
CN112367349B (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
CN104239141B (zh) 数据中心中基于工作流关键路径的任务优化调度方法
Doulamis et al. Fair scheduling algorithms in grids
Lee et al. Profit-driven service request scheduling in clouds
Gomoluch et al. Market-based Resource Allocation for Grid Computing: A Model and Simulation.
CN109582448B (zh) 一种面向关键度和时效性的边缘计算任务调度方法
US20050234935A1 (en) Dynamically managing computer resources based on valuations of work items being processed
Kamalinia et al. Hybrid task scheduling method for cloud computing by genetic and DE algorithms
Stößer et al. Market-based pricing in grids: On strategic manipulation and computational cost
CN110308967A (zh) 一种基于混合云的工作流成本-延迟最优化任务分配方法
US20210294661A1 (en) TASK MANAGEMENT OF LARGE COMPUTING WORKLOADS in A CLOUD SERVICE AGGREGATED FROM DISPARATE, RESOURCE-LIMITED, PRIVATELY CONTROLLED SERVER FARMS
CN104994150B (zh) 一种面向云视频服务的请求分配方法
Shi et al. An online auction mechanism for dynamic virtual cluster provisioning in geo-distributed clouds
CN109740870B (zh) 云计算环境下Web应用的资源动态调度方法
Keivani et al. Task scheduling in cloud computing: A review
CN104994149B (zh) 一种面向云视频服务的资源提供方法
Chunlin et al. Multi economic agent interaction for optimizing the aggregate utility of grid users in computational grid
Goudarzi et al. Joint customer/provider evolutionary multi-objective utility maximization in cloud data center networks
Neumann et al. A framework for commercial grids—economic and technical challenges
CN112306642B (zh) 一种基于稳定匹配博弈理论的工作流调度方法
Yadav et al. Study of task scheduling algorithms in the cloud computing environment: a review
CN112367349B (zh) 一种协同优化云运营商能耗和用户开销的方法和***
Chunlin et al. Multi-queue scheduling of heterogeneous jobs in hybrid geo-distributed cloud environment
Caron et al. Multi-criteria malleable task management for hybrid-cloud platforms
Rajeshwari et al. Efficient task scheduling and fair load distribution among federated clouds
CN111882134A (zh) 一种云计算服务调度方法、***、介质及电子设备

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