云计算环境下资源调度问题的研究

宋和田

摘要：云计算中的资源调度对云计算的整体性能和运营发展有重要影响，因此资源调度已经成为云计算的一个重要研究方向。该文首先对云计算环境下的资源调度问题做定义，并对相关的研究现状进行深入研究分析，归纳总结出当前主要的资源调度目标，分别是以性能为中心的调度目标、以服务质量为中心的调度目标以及以经济原则为中心的调度目标。在本文的最后指出在云计算环境下对资源进行高效管理和调度的未来重要的研究和发展方向，即基于预测、能耗与性能折中的多目标优化的资源调度模型。

关键词：云计算；资源调度；多目标优化

中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2015）29-0188-03

1 概述

云计算是一种新的计算模型和服务模式，它将硬件的计算能力作为一种资源的角度来看，好比是将计算资源作为一种类似于电力，网络带宽的服务通过网络提供给用户的计算模式，用户以按需扩展的方式来使用计算资源（包括数据、软件、硬件和网络带宽等），而无须了解它提供过程的细节。对云计算的定义有很多说法，对于到底什么是云计算，至少可以找到上百种不同的解释[1]，现阶段最为大家所接受的是美国国家标准与技术研究院（NIST）定义：云计算是一种可以按使用量付费的模式，这种模式提供高可用的、便捷而高效的、可以按需支付的网络访问，所有的计算资源先进入到可配置的计算资源共享池（这些资源包括网络，服务器，存储，服务和应用软件），所有的这些资源都能够被快速提供，只需投入很少的后台管理工作，或者与服务供应商进行很少的交互[2]。

从云计算的定义可以看出，云计算的核心问题之一就是对资源进行有效的管理。对此，本文对云计算环境下的资源管理以及相关的研究进行了深入调查和分析，对研究现状全面总结，并重点给出了三种不同的目标情况下的相关理论和方法，他们是：

a） 以降低云计算环境下的数据中心的能耗比为目标；

b） 以提高云计算系统下的资源利用率为目标；

c） 基于经济学原理的云资源管理下资源利用率最大化的多目标优化模型，以及其相关理论和方法；

在本文最后指明在云计算环境下的资源调度问题的未来研究的一个重要方向：基于预测、能耗与性能折中的多目标优化的资源调度模型。

2 云计算资源调度概述

可以将云计算看成是网格计算、并行计算和分布式计算等概念的进一步商业化的发展，但云计算具有其自身的一些特点，比如在资源聚合形式（完全实现中心存储）与共享资源和计算能力方式（P2P）以及任务的提交方式等，所以在云计算环境下的资源调度问题也有不同于分布式计算或网格和并行计算等计算模式的特点。

2.1 云计算资源调度目标

云计算环境下的资源调度的目标可以总结为如下三点：

1）以降低云计算环境下的数据中心（Data Centre）的能耗为目标的资源调度策略的研究；

2）以提高云计算系统的资源利用效率为目标的资源管理策略的研究；

3）采用经济学领域的研究方法，对云计算环境下的资源管理建立多目标优化模型，并对其进行相关的研究。

2.2 云计算资源调度问题研究现状

在本节中主要针对上一节所述的云计算环境下的资源调度目标，进行分类说明。并且列举当前在该领域内的研究热点和研究现状。

在文献[3]中作者主要研究了虚拟化的计算机集群环境中的能耗问题，并且给出一个通过降低集群中的所有处理器的工作频率来减少能耗的机制，并且作者给出了以下能耗计算公式：及，其中为系统的能耗系数，为总的电容负载量，为处理器当前的电压，为处理器的当前工作频率。由该云计算系统下总能耗公式可知，如果可以降低虚拟机的处理器的工作电压，就可以有效的降低系统总能耗。本文中，作者还给出了一种可以判断虚拟机的负载的方法，并且根据负载来动态调节虚拟机的处理器电压，其具体的实现方法是：通过安装在每个虚拟机中的监控脚本，对虚拟机的运行状态和系统负载情况进行监控，当虚拟机的负载比较低的时候，可以自动降低CPU工作电压，从而减少处理器的速度并且降低其工作能耗。但在该方法最大的缺点是，其中并没有建立有效的预测系统，来预测CPU工作频率降低后对应用性能的影响，这就会造成系统反应的延迟，比如当系统负载增加时，节能机制需要一定的时间才能升高处理器的工作频率，从而提高处理器的性能，但是在这个过程中，由于系统的延迟，会对应用性能造成不良的影响。

文献[4]研究了顺序受限（precedence-constrained）在云计算环境下的并行应用资源调度与分配问题，文中对并行应用在顺序受限情况下的完成时间和对应的能耗进行统计并建立模型，之后作者将此模型转化为一个多目标优化问题，即最小完成时间和最低能耗为优化目标的多目标优化问题，并且利用智能算法求解此多目标优化问题。最后通过实验证明了作者所提出的多目标混合遗传算法兼顾到了能耗的最少和应用完成时间的最小的双目标优化。

图1 节能高效云计算体系结构

在文献[5，6]中，作者提出了一个全新的节能高效的云计算体系（见图1），并提出了一种优化的选择算法，可以基于独有的能耗感知模型对虚拟机的位置进行优化，并且通过能耗感知，可以动态迁移虚拟机，提高服务器的利用率，并使得空闲的服务器进入休眠状态，来降低数据中心的总能耗。该云计算体系结构由云计算用户、动态服务分配模块、虚拟机、服务器4层组成。其中云计算用户表示向云计算中心提交服务请求的具体使用者，而动态服务分配模块则是用户和云计算平台中的基础服务器之间的接口。高效服务动态分配模块是整个云计算平台的核心，实现节能与服务器调度的核心功能。在该系统中，所有的虚拟机可以被动态迁移，从而实现整个云系统中所有物理服务器的负载平衡。在系统负载较低的时候，系统会迁移虚拟机并集中到部分服务器上，同时会关闭部分空闲的计算节点，当在在负载升高时，系统会自动打开空闲节点，动态迁移虚拟机到新启动的服务器中，从而达到调整负载平衡的目的。当系统中所有服务器均满负载运行时，整个系统的最大功耗值，表示空闲的物理服务器的能耗占系统总能耗的比例，表示CPU在当前时间下的工作利用率。作者在此能耗模型的基础上，给出了资源预处理分配方法，本方法是基于能耗预测感知的。即云计算平台的数据中心在接到来自客户的虚拟机申请的资源请求时，会根据能耗预测模型计算出数据中心的物理服务器的总能耗，选择能耗最小的满足客户条件的虚拟机，并且分配给用户使用。

随着云计算的使用越来越普及，很多商用的云计算平台孕育而生，其中比较著名的是Amazon的AWS云计算平台、IBM 蓝云平台及Google的云计算平台、以及华为的云计算平台FusionCloud。他们均根据自身系统的特点，而采取了灵活多样，而又高效的资源调度模型。比如基于经济学的云资源管理模型研究方面，已经有大量的应用方案来针对面向市场的云计算体系结构和面向市场的资源分配和调度方法。以下以Amazon的云计算平台AWS为例，来介绍其资源调度方面的特点。

Amazon的云计算平台AWS是当前商用云计算应用最为成功的厂家之一。它的调度策略很好地结合了经济效益和性能平衡的调度方式。在其云计算平台上，用户可以自由选择虚拟机的配置，服务提供的时间，和服务提供的大概位置等信息，之后，系统会按照这些要求，动态的计算出成本，并且由系统自动分配相应的符合条件的虚拟机供用户使用，其定价机制是动态调整的。根据用户的需求量，以及服务器的工作量等多方面的信息，去调整定价机制，同时虚拟机的动态迁移等机制也做得非常的好，是当前云系统中的资源调度策略的成功典型之一。

3 未来资源管理的研究方向分析

近年来，云计算的资源管理与调度成为云计算领域一个热门的课题，来自全球各地的研究者对此开展了多种多样的研究工作，已并且得出很多有效的研究成果，但仍然存在一些不足，需要进一步深入研究和并且能够给出解决方法。在云计算资源管理与调度方面，作者总结出未来可能的研究方向和重点：

1）首先是基于预测模型的模糊感知技术，能够有效的预测资源使用率并提前进行准备调度的方法；

2）其次是面向不同应用、在不同负载情况下的资源管理与分配策略和机制的研究，以及多目标优化的资源管理与调度。

结合上文的分析，面向多目标优化的资源管理和调度将必定成为一个研究的新关键领域，因为对于云计算中心而言，其评价指标主要有两个，一是资源降低能耗，另一个是保证云系统中的应用的服务质量和提高应用性能，同时还有很多需要考虑的条件需要被引入，包括环境噪音，服务器材料的使用，服务器回收利用等等，所有这些多目标之间，可能存在相互冲突。并且多个参数的引入，将使多目标优化变得十分复杂。为了获得综合的优化结果，未来对数据中心资源分配的多目标优化模型与算法将成为重点研究的课题。

4 结束语

云计算系统目前已经从工业和学术界走向商用和教育，有大量的企业私有云计算平台或者开放的共有云平台以及教育云、金融云等等，多行业云平台已经开始走向成熟商用阶段。这些商用云计算平台逐渐显现出其强大的服务弹性，和性价比优势，并且得到越来越多用户的认可。这促使云计算平台在技术方面飞速的发展。但是，云计算平台的发展过程中，依然暴露出一些不足，或者一些需要解决的问题，如安全性不足、可扩展性较低、互操作性不够、服务水平协议有缺陷、数据迁移难度大和以用户为中心的隐私难以被保护、透明性不够、政治和法律相关条款不充足、业务服务管理模式模糊等。而其中云计算平台的有效资源管理是云计算中的一个基础的急需解决的研究方向。本文重点研究和分析了云计算环境下的资源调度常见方法和研究现状以及其存在的问题，这些问题在不同目标条件下往往有不同的表现形式，并且深入分析和比较了目前的云计算资源调度方法，同时在本文的最后，作者对未来云计算环境下的资源管理的发展的几个重要研究方向做出分析和预测。

参考文献：

[1] 2014年云计算大会云计算标准化体系草案形成.中国云计算，2014-03-05.

[2] 十种方法保持云中数据安全.TechTarget云计算.2013-08-23.

[3] Von L G， Wang L， Younge A J， etal. Power-Aware Scheduling of Virtual Machines in DVFS-enabled clusters [C] //Proc. of IEEE International Conference on Cluster Computing 2009， New Orleans， LA， USA， 2009：1-10.

[4] M. Mezmaz， N. Melab， Y. Kessaci， Y.C. Lee， E.-G. Talbi， A.Y. Zomaya， D. Tuyttens， A parallel bi-objective hybrid metaheuristic for energy-aware scheduling for cloud computing systems， Journal of Parallel and Distributed Computing， Volume 71， Issue 11， November 2011， Pages 1497-1508， http：//dx.doi.org/10.1016/j.jpdc.2011.04.007.

[5] Beloglazov A， Abawajy J， Buyya R， Energy – Aware Resource Allocation Heuristics for Efficient Management of Data Centers for cloud Computing [J]. Future Generation Computer System， 2012， 28（5）：755-768.

[6] Buyya R， Beloglazov A， Abawajy J. Energy – Efficient Management of Data Centers for cloud Computing： A Vision， Architectural Elements， and Open Challenges [C]//Proceedings of the 2010 International Conference on Parallel and Distributed Processing Techniques and Applications （PDPTA2010）. Lasvegas， USA， July 2010.

[7] Hermenier F， Lorca X， Menaud J M， et al. Entropy： a Consolidation Manager for Clusters[C]// In VEE 09： Proceedings of the 2009 ACM SIGPLAN/SIGOPS international conference on Virtual execution environments2009：41-50.

[8] Xindong You， Xianghua Xu， Jian Wan， Dongjin Yu， "RAS-M： Resource Allocation Strategy Based on Market Mechanism in Cloud Computing"， CHINAGRID， 2009， 2013 8th ChinaGrid Annual Conference， 2013 8th ChinaGrid Annual Conference 2009， pp. 256-263， doi：10.1109/ChinaGrid.2009.41.

[9] 林伟伟，齐德昱.一种基于动态重配置虚拟资源的云计算资源调度方法[P].2011-1-5（201010268105.7）.