虚拟化技术分析

朱军红+唐明根+孙学杉

摘要：云计算作为当前主流计算机应用技术，由于采用应用即服务模式实现IT资源集中共享与按需分配，其全新的系统体系架构加速了数据中心向高度集成化、架构化发展，同时云计算中按需服务的付费模式推动了云计算技术商业化应用。 本论文就是在此背景下展开对云计算虚拟化技术研究，重点对云计算相关测试人员提供可行性测试解决方案。

关键词：云计算；虚拟化；虚拟化测试系统；平台即服务

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2016）04-0229-02

1 虚拟化技术

1.1 虚拟化技术概述

虚拟化技术主要把计算机底层物理硬件资源、操作系统以及应用程序API资源进行抽象与集中管理，虚拟化技术作为连接上下层的中间件，通过上下层耦合提高架构灵活性。总之，虚拟化技术实现了对物理内存资源、存储资源抽象管理与应用程序多任务共享操作管理。虚拟化技术主要有平台虚拟化、资源虚拟化、应用虚拟化三个技术[1]。

1）平台虚拟化技术

平台虚拟化分为全虚拟化、超虚拟化、硬件辅助虚拟化、部分虚拟化、操作系统虚拟化[2]。全虚拟化主要是对CPU、内存、存储器等底层硬件资源进行完全虚拟，同时软件资源与虚拟化平台进行无缝衔接，同时虚拟机可以直接访问底层硬件资源，不需要通过宿主操作系统实现访问[3]；超虚拟化主要是通过修改部分宿主操作访问级实现虚拟主机与宿主操作系统间的数据交互；硬件辅助虚拟化主要是指硬件资源提供虚拟监视器结构支持，实现虚拟机独立运行；部分虚拟化是指通过VMM模拟内存地址空间，实现资源共享和线程独立；操作系统级虚拟化是指多个虚拟机独立运行在同一个宿主主机上，不同虚拟主机间互不影响[4]。

2）资源虚拟化技术

资源虚拟化技术是指在计算机底层硬件资源（磁盘、CPU、电源等）上建立一个抽象层，通过该抽象层为上层应用提供服务，该层主要起到了平衡利用硬件资源的目的。常见的资源虚拟化技术有存储虚拟化、网络虚拟化、计算虚拟化。

3）应用虚拟化技术

应用虚拟化技术是指为应用程序虚拟出脱离操作系统的虚拟运行环境，对应用程序依赖的操作环境与硬件资源进行虚拟化处理，目前应用虚拟化技术主要有应用程序流、远程桌面服务、桌面虚拟化。

1.2 虚拟化系统架构

目前比较成熟虚拟产品有KVM、Xen、VMware、IBM公司等，由于KVM、Xen为开源虚机监视器[5]。

1）Xen通过半虚拟化方式实现多个操作系统同时运行在一个物理主机上，若主机硬件资源支持辅助条件则开源实现完全虚拟化。在Xen环境中，当系统开始运行时，通过加载特权管理虚拟机Domain 0实现Xen VMM与实体键的数据交互与虚拟机管理与硬件资源虚拟化与管理。

2）KVM为运行在Linux内核的虚拟主机，在KVM虚拟化架构中，通过把虚拟主机作为一个标准进程进行控制欲管理，通过QEMU工具实现KVM控制。

1.3 服务器虚拟化

服务器虚拟化主要是指在一个物理主机上虚拟出许多主机，而主机与主机相互隔离，而用户进行登录虚拟主机后要对物理资源进行访问时，则通过虚拟机管理器实现物理资源操作，即这些虚拟主机共享着底层的物理资源（内存资源、存储资源、I/O输入输出资源），对于CPU资源的资源共享则通过CPU虚拟化实现，在大型机器上都支持虚拟化技术，如今所说服务器虚拟化主要是针对x86系统的服务器虚拟化[6]。服务器虚拟化类型主要有Hypervisor模型、宿主模型、混合模型。Hyervisor模型中虚拟主机直接通过虚拟机管理器访问宿主主机中的底层物理资源；宿主模型指虚拟主机访问硬件资源通过虚拟机管理器，再经过在宿主主机操作系统来访问底层硬件资源，该虚拟主机和虚拟机管理器只是作为宿主主机一个进程来实现；混合模型主要是指一部分硬件资源访问由虚拟管理器直接访问底层硬件资源来实现，而另外一部分则通过虚拟管理器和特权操作系统公共管理实现。

2 虚拟化资源管理模型

2.1 服务-资源映射模型

虚拟化资源管理（VMA）采用虚拟化技术实现多个虚拟化资源管理模型，每个资源管理模型中都包括了虚拟化存储服务、文件服务等系统级资源服务。虚拟化资源的主要功能包括资源抽象、资源监控、负载管理、数据管理、资源动态部署[7]。

对虚拟化资源管理的主要问题集中在物理资源与虚拟资源间的抽象映射关系、虚拟资源的动态分配与实际物理资源的调度问题。物理资源与虚拟资源映射主要有上行虚拟化、下行虚拟化两种方式，上行虚拟化主要通过把底层多个硬件资源作为一个整体提供给单一虚拟化资源使用，而当另外一个虚拟化资源需要访问硬件资源时需要等待前面一个虚拟化资源释放后才可以使用；而下行虚拟化则把底层一个物理资源拆分为多个虚拟化资源同时满足多个虚拟化资源请求。这种物理资源与虚拟资源抽象与映射最重要的因素就是要对各种资源映射建模，通过标准化管理协议实现编程接口的统一化。而对于虚拟化资源分配则主要通过预测技术来管理云服务SLA虚拟机资源管理动态管理分配，预测技术通过历史数据汇总学习预测下一个时间段资源使用自动分配。在下面的小节中将重点介绍物理资源与虚拟资源间的抽象映射关系以及物理资源动态分配方法。

2.2 物理资源与虚拟资源间的抽象映射

物理资源与虚拟资源抽象映射设计主要是基于服务细粒抽象化和底层基础资源虚拟化原理上构建多层服务-资源映射模型。其结构上主要包括服务抽象层、虚拟资源池、底层物理资源集，其映射模型如图1所示。

在服务层中通过把底层虚拟资源池中的服务作为原子云服务，原子云服务作为云计算中最小服务颗粒，通过组合原子服务颗粒组合满足用户需求。而在原子云服务组合时，采用一定的组合关系实现原子服务功能调用，对于底层资源来说，原子云服务是作为资源申请者，需要通过资源向量（S（s，m，s，b））来进行管理[8]。对于底层物理资源集则通过云中心的服务器集群构成，通过物理资源抽象技术（HAL）实现资源的虚拟化。

2.3 虚拟资源的动态分配

对于资源的分配，要实现随着资源负载变化自动分配资源则需要预测技术来实现。预测技术主要是指通过一定的原则与计算方法预先对目前应用程序运行情况以及资源使用情况做评估分析，从而预测下一个时间段资源消耗情况。在流程中预测方法可以通过类比法、主观概率法、回归分析法、实际序列分析方法、灰度预测法等来进行定性与定量预测[9]。通过预测技术实现了下一个时间段的资源负载情况，然后通过资源分配控制器中的分配器实现对资源动态分配。资源分配控制器由预测器、判断器、分配器组成，在进行具体资源分配时，首先预测器以时间作为参数计算出下一个时间点负载特征情况，然后由判断器进行结果判定与验证，分配器则根据预测器计算的资源峰值与预期值进行资源分配。

3 总结

本论文在讨论云计算服务层、应用应用层、基础实施层层级结构和虚拟化技术相关理论，重点对虚拟化资源管理中的服务-资源映射模型、底层物理资源分配中的预测技术、虚拟机工作做了深入分析。

参考文献：

[1] Adeniran Oluwaranti， Clement Onime，Lawrence Kehinde，et al. A User Identity Management Protocol for Cloud Computing Paradigm[J]. Int'l J. of Communications， Network and System Sciences， 2011， 4（3）： 11-16.

[2] 吴朱华. 云计算核心技术剖析[J]. 人民邮电期刊， 2012， 12（9）： 32-35.

[3] Hideo Kitazume，Takaaki Koyama，Toshiharu Kishi，，et al. Network Virtualization Technology to Support Cloud Services[C]. IEICE Transactions， 2012，

[4] Pradeep Padala， Kang G. Shin， Xiaoyun Zhu， et al. Adaptive control of virtualized resources in utility computing environments[C]. Proceedings of EuroSys 2010：289-302.

[5] 高翔. 基于 Xen 的虚拟机动态迁移算法优化[J]. 哈尔滨工业大学校园期刊， 2013， 9（12）： 4-10.

[6] Tibor Horvath， Tarek F Abdelzaher， Kevin Skadron， et al. Dynamic Voltage Scaling in Multitier Web Servers with End-to-End Delay Control[C]. IEEE Transactions on Computers， 2007： 444-458.

[7] 宋可为. 云计算在电信业务平台[J]. 北京邮电大学校园期刊， 2012， 11（12）： 20-40.

[8] I.Pratt， D. Magenheimer， H. Blanchard， et al. The Ongoing Evolution of Xen. Proceedings of the Linux Symposium， 2013（2）： 195-209.

[9] Ye K， Jiang X， Chen S，et al. Analyzing and modeling the performance in Xen-based virtual cluster environment[C]. The 12th IEEE nternational Conference on High Performance Computing and Communications （HPCC）， 2014： 273–280.