云计算环境下虚拟机资源均衡调度方法探析

2015-03-19汪蓉

湖北科技学院学报 2015年10期

关键词：计算环境资源分配蚂蚁

汪蓉

(湖北科技学院计算机科学与技术学院，湖北咸宁 437100)

云计算环境下虚拟机资源均衡调度方法探析

汪蓉

(湖北科技学院计算机科学与技术学院，湖北咸宁 437100)

云计算是对信息互联网服务的增值和升华，它改变了传统的静态服务与固定有限的服务空间。资源调度和作业调度作为云计算中两个关键技术，虽然领先于业界但还存在缺陷，比如其任务执行的透明度等等。随着如今数据信息中心规模的不断扩大和云端用户数量的持续增加，如何巧妙调整虚拟机用户任务时间，从而最有效率的完成云计算资源均衡调度是需要认真对待和研究的课题。本文根据云计算的特点与节能机制，探讨了虚拟机调度的相关模型和具体算法。

云计算；虚拟化；资源均衡调度

云计算如今已经得到了社会的全面认可，逐渐从研究转向应用，大量的云服务平台也应运而生。云服务的基本核心技术理念就是如何为广大云端用户分配虚拟机资源并将它们调度到相应的物理节点上，这就是虚拟机资源均衡调度。

一、虚拟机资源调度

(一)虚拟机调度模型

为了实现在不同物理机上的资源共享，云计算会运用虚拟技术来映射大量来自数据中心的物理资源到虚拟机层上，这种方式就是一种虚拟机对数据资源的调度，而将虚拟化后的资源分配给虚拟机进行部署，就叫做资源分配。上述过程都是为了保证云端用户拥有更好的共享资源品质和系统性能。

虚拟机资源的调度与均衡运作流程相当复杂，它首先需要接收云端用户来自于Internet的请求，云数据中心会通过Google或MapReduce处理框架对请求任务进行技术处理。处理后的信息就可以通过虚拟机调度来实现对用户信息的回馈。虚拟机的调度可以分为两级调度，其中一级调度主要对任务数据和虚拟机节点进行匹配，从而满足对目标任务的优化和对虚拟机节点的映射；二级调度即虚拟机的部署工作，虚拟机在部署资源时并不影响物理机上任务的执行。在二级调度中必须保证映射的合理性，因为它可以直接影响系统的性能和对用户的服务质量。

(二)虚拟机调度目标

不同的虚拟机调度目标体现了不同的计算算法和资源调度方式，之所以要对虚拟机进行调度，最大的目的就是提高资源的利用率，但是这并不是虚拟机调度的唯一目标，为了大规模开发云计算平台，就必须大规模拓展虚拟机调度目标，强化它的调度功能，使资源调度明确化、透明化、实用化。

第一，虚拟机调度的目标应该是为了高质量的服务，即QoS(Quality of Service)。云端用户重视云服务质量是毋庸置疑的，所以他们追求高效率和无差错的虚拟资源调配。云服务应该根据QoS来制定虚拟机资源调度规则，最大限度的缩短虚拟机资源及任务调度时间，让用户满意。

第二，云数据中心由于要承载大量的数据传输、计算、分析和管理，所以会产生大量能耗，例如供电与制冷等等，这也是云服务平台的主要成本投入之一。为了节能降耗，基于云计算环境下的虚拟机调度就一定要考虑整个系统平台的能源消耗，目前比较常见的节能降耗方法是减少虚拟资源分配节点来降低设备能耗[1]。

二、虚拟机资源调度优化算法——蚁群优化算法

(一)蚁群优化算法概述

蚁群算法是一种20世纪兴起的种群智能仿生优化算法，它的中心思想汲取于现实生活中蚂蚁族群的行为特性，是一种模拟蚁群觅食的生活方式来对问题加以解决的。蚁群优化算法之所以会被采用，是因为它的鲁棒性强，而且采用分布式计算机制，与其他算法具有亲和性，是一种具有启发特性的蚁群模拟进化算法。但是涉及到虚拟机的资源调度策略则相对较为浅薄，所以本文的主要目的就是利用蚁群优化算法来为基于云计算环境下的虚拟机资源调度均衡策略进行演算和规划，提出这种基于蚁群改进算法的资源调度算法，希望能够满足用户与云服务平台之间的服务承诺。

(二)基于改进蚂蚁系统的虚拟机资源调度算法

所谓蚂蚁系统(Ant System,AS)就是一种产生于20世纪90年代的蚁群算法。它能够解决例如(Traveling Salesman Problem)旅行商问题，计算出城市与城市之间的最短距离，即为旅行商寻求最短的通商捷径，这与蚁群觅食寻找食物到蚁穴的最短路径是同样道理。该算法是基于Map/Reduce框架而得出的，它的节点主要有两个，Master节点和Worker节点。其中Master节点会划分来自于用户的任务请求，将其划分为多个任务为Worker提供节点。而Worker节点则负责完成Master所分配的各项任务。因为Worker节点属于虚拟机节点，所以它对虚拟机资源的调度均衡具有实际意义。而且借助蚁群算法的强鲁棒性和优秀分布性，所以在Map/Reduce的框架下寻找虚拟机资源则相对容易。

1.信息素的初始化

信息素是衡量虚拟机硬件资源节点的重要元素，这其中包括对CPU处理能量p的衡量、外存容量h、内存容量r以及带宽容量b，通过公式对各个参数进行阈值设定，并统一进行阈值计算。

mmax=m0，pmax=p0，rmax=r0，hmax=h0，bmax=b0

由以上阈值来计算出各个硬件资源节点的信息素，所以由此我们可以计算出各个硬件资源节点上的信息素带权和为：

τi(0)=aτif(0)+bτif(0)+cτif(0)+dτif(0),

a+b+c+d=1

在计算完带权和之后就要进入下一步骤，即蚂蚁选择的下一跳节点，下一跳节点的选择基准为资源调度概率最大的邻居节点，即：

2.下一跳节点

在公式中，蚂蚁节点i表示了下一跳节点j的基本概率，而τj则表示了节点i在观察到节点j上的信息素浓度，这里m即为i的邻居节点，Ns则表示蚂蚁的路径节点集。α、β是调节因子，它们能够代表τj和Aj之间的关系。

3.基本算法

在基于改进AS算法的虚拟资源调度算法中，首先要将Worker节点的全部信息素进行始化，向Master节点提交用户请求任务信息。然后将Master节点取出并在队列中列为第一个请求任务作业。如果假设该任务作业由m个任务组成，那么Master节点就应该发送n*m个蚂蚁，如果n是一个参数，那么蚂蚁的数量就与任务数量呈倍数关系存在。定时器归零后，Master节点就会收回所有蚂蚁，然后将任务分配给所有蚂蚁并找到有效的虚拟机资源节点。每个任务分配到每个有效节点上之后任务就基本完成，接下来会对有效节点进行相关的信息素修改，最后重复此过程，直到所有用户请求任务全部分配完成[2]。

三、基于节能降耗的虚拟机调度算法

基于节能降耗的虚拟机调度算法首先要求云计算平台的物理服务器能够提出一个电能消耗模型，保持在规定时间内对物理服务器的电能总消耗，从而生成节能模型。本文简单探讨一下虚拟机的迁移策略。

(一)虚拟机迁移策略

选择应用于迁移功能的虚拟机后，利用MBFD算法把已选择的虚拟机迁移到其他主机上，并利用虚拟机的最小化迁移策略来选择节点CPU，当CPU的利用率超过上界阈值时就要选择数量最小的虚拟机进行相应迁移。另外，如果是随机选择策略则要利用CPU利用率在超过上界阈值时，随机选择部分虚拟机进行相应的资源信息迁移。如下列公式：

P(u)=k*Pmax+(1-k)*Pmax*u

公式中，Pmax表示服务器在满负载时所消耗的所有电能，k表示服务器在空闲时所消耗的电能所占Pmax的整体比例，而u表示CPU的利用率，所以该迁移策略的时间函数t为：

(二)以节能为信任驱动的启发式调度算法

利用节能为信任驱动的启发式调度算法可以为云服务节省能耗，从而提高服务效率和质量。本文提出一种基于TD Energy-aware-Opt算法的虚拟机初始化算法，它的驱动即为以节能为目的的信任虚拟机调度算法机制。将这种算法应用于虚拟机中电能消耗最少的主机上，随后利用信任驱动的虚拟机调度算法，就可以为用户所提交的任务分配虚拟机资源，完成对用户任务的执行。其算法主要步骤如下：

首先是主机列表与虚拟机列表的输入，然后对虚拟机与主机的映射结果allocation进行输出，计算出CPU的利用率降序排列。在这其中，常量MAX值会反映给变量minPower，而变量allocatedhost则选择为空。

其次将主机上的资源分配给虚拟机，预测主机与虚拟机的电压值，并把预测后的结果给变量power。如果给变量power<常量给变量minPower，那么就把主机资源分配给allocatedhost，而把变量power值分配给minPower，最后返回最终的映射结果allocation。

TD Energy-aware-Opt启发式算法基于以节能为信任驱动的模式进行计算，对于云计算平台的电能消耗节约具有现实意义，同时，它也验证了信任QoS、性能QoS以及电能消耗等方面的合理有效性[3]。