绿色云计算环境下基于资源整合的任务调度算法研究

张红，薛东亮，李战明*

(1 兰州理工大学 电气工程与信息工程学院，兰州 730050；2 河南信息工程学校，郑州 450011 )

云计算通过分布式处理方式，根据按需服务的原则，满足用户各种需求的一种新型商业模式，同时能提供个性化的IT服务[1,2].然而云计算服务所涉及的服务器、存储、备份、网络等设备，以及核心的技术虚拟化、自动化都归属数据中心范畴，所以云计算也被视为新一代数据中心的一个延伸方向.

当管理成本、资源整合、业务响应速度、信息安全以及能源管理各方面都凸显危机时，绿色数据中心应运而生.云计算(Cloud Computing)通过网络有效聚合被虚拟化的计算资源，基于集中构建的数据中心为单一用户或多租客(Multi-tenant)提供动态的、高性价比的、弹性规模扩展的计算、存储和各类信息服务.绿色数据中心的含义就是通过各种技术手段，充分提高数据中心的能源效率，降低空气中二氧化碳的排放量[3,4]，尽量减少数据中心的系统耗电量，尽量让空闲的资源节点满负荷的运转，尽量增大数据中心整体用电中用于IT系统比例.

预计未来五年我国数据中心处理能力的需求将达到7到10倍的增长，同时能耗的需求也将迅速攀升[5,6].在我国的能源结构中，70%的能源靠燃煤获得，这意味着云数据中心产生的高能耗还将带来严重的环境问题；在一个数据中心的运维成本费用中，能耗占了40%以上；数据中心提供给云的动力所排放的CO2已成为气候变化的主要原因之一[7-9].
图1描述的是2010年到2012年耗电量对比.

图1 2010年到2012年耗电量对比Fig.1 Comparison of electricity consumption from 2010 to 2012

云数据中心的能源的使用效率常常通过电源使用效率(Power Usage Effectiveness，PUE)值和(数据中心基础设施效率(Data Center Infrastructure Effectiveness，DCiE)值来衡量.其中，PUE值是指数据中心消耗的所有能源与IT负载消耗的能源之比.PUE值越接近于1，表示一个数据中心的绿色化程度越高.劳伦斯伯克利国家实验室(Lawrence Berkeley National Laboratory，LBNL)针对12个云数据中心能效情况的调查结果表明，数据中心的能耗分布为：IT设备占46%，温控设备占31%，UPS设备(Uninterrupted Power Supply，无间断供电)占8%，照明设施占4%、其它功耗占11%[10].图2描述的是2010年到2012年耗电量增长率对比.

图2 2010年到2012年耗电量增长率对比Fig.2 Comparison of growth rates of electricity consumption from 2010 to 2012

1 虚拟化与资源整合

云计算平台通过虚拟化和分布式等技术，充分整合异构资源和均衡资源负载，减少数据中心的能量消耗，从而实现绿色通信的目标.虚拟化通过降低能源成本和硬件成本的方式，改变着传统的企业计算方式.在多年的实践应用过程中，虚拟化技术的优势已经得到了业界的普遍认可，在今后的发展过程中将更加普及.虚拟化技术的成熟是“云计算”快速发展的有力支持和保障[10].

云计算是通过使计算分布在大量的分布式计算机上，将异构的资源有机整合成一体，根据需求访问计算机和存储系统，资源整合在整个过程中举足轻重.资源整合是指数据中心对不同层次、不同结构的资源进行识别与选择、激活和有机融合，对资源的计算能力和异构性进行了封装，从而让绿色云计算系统的计算能力达到最优.

2 任务调度框架与设计

从资源整合和任务调度的角度针对面向绿色云计算的资源配置算法、任务调度策略及数据部署与紧凑机制等关键技术展开深入研究并提出解决方案，在保证系统QoS和SLA的前提下，使系统的各个环节运行有序化，有效、合理地降低云数据中心的能耗.图3描述的是绿色云计算的任务调度系统框架.

在任务调度的系统框架中，JobManager是SkyNet的Master，提供RPC服务，接收并处理JobClient/Web提交的所有操作；与元数据通讯，维护Job元数据；负责任务的统一配置维护、触发、调度、监控.JobMonitor: 监控正在运行的Job状态、监控任务池、监控等待运行的Job；JobWorker：SkyNet的Slave，从任务池中获取Job、负责启动并收集Job的执行状态，维护至元数据库.JobClient/Web：SkyNet客户端类，前端界面提供给用户，用作任务的配置、管理、监控等；任务元数据：目前使用Mysql，保存Job的配置、依赖关系、运行历史、资源配置、告警配置等；

任务的执行及服务的提供一般需要数据的支持.目前由物联网(Internet of Things)、社会网络(Social Networks)、移动互联网(Mobile Internet)等各类网络应用系统产生的大规模数据同样依靠云计算数据中心来存储和提供服务.随着的广泛的普及，网络每年产生的数据量以几何级数增长.图4描述的是绿色云计算的任务调度过程.

图3 绿色云计算的任务调度系统框架Fig. 3 Task scheduling system Framework for Green Cloud Computing

图4 绿色云计算的任务调度过程Fig.4 Task scheduling process of Green Cloud Computing

在详细分析了绿色云计算的任务调度过程基础上，结合遗传算法具有较好的鲁棒性和分布性等特征，本文设计一种基于资源整合的遗传并行任务调度算法(Genetic Parallel Task Scheduling Algorithms Based on Resource Integration，GPTSA_RI).本文设计的GPTSA_RI算法的求解过程如下：

(1)初始化控制参数：size 为群体规模，MaxGen为终止进化代数，Pc为交叉概率，Pm为变异概率.

(2)对要调度的资源和要执行的任务进行映射配对，从而进行基因编码，并随机产生初始种群.

(3)根据任务调度过程中，产生的能耗进行适应度评估.

ETC(i,j))+[vmin(i)]2×fmin(i)},

f(x)=e-∑Ei.

(4)分别对种群进行选择，交叉，变异操作，将更加优良的个体产生到下一代子群.

(5)若满足收敛条件，返回最优解，结束算法；否则，返回到步骤(4).

3 实验测试

仿真实验准备了三种方案组合，方案1利用100项任务和5台服务器，方案2利用500项任务和10台服务器与方案3利用1000项任务和20台服务器.为了测试本文设计的GPTSRI算法的性能，我们将其与文献[1]的DECM 算法，文献[3]的ARMCO算法进行对比.

图5到10分别显示各方案中的任务调度的响应时间(单位秒)和能量消耗(单位焦耳)的对比.通过仿真测试实验不难看出，在响应时间和能量消耗等方面，本文设计的GPTSRI算法明显优于DECM 算法和ARMCO算法.

图5 三种任务调度算法的响应时间对比(任务数量100)Fig.5 Response time comparison of three task scheduling algorithms (number of tasks 100)

图6 三种任务调度算法的能量消耗对比(任务数量100)Fig.6 Energy consumption comparison of three task scheduling algorithms (number of tasks 100)

图7 三种任务调度算法的响应时间对比(任务数量500)Fig.7 Response time comparison of three task scheduling algorithms (number of tasks 500)

图8 三种任务调度算法的能量消耗对比(任务数量500)Fig.8 Energy consumption comparison of three task scheduling algorithms (number of tasks 500)

图9 三种任务调度算法的响应时间对比(任务数量1000)Fig.9 Response time comparison of three task scheduling algorithms (number of tasks 1000)

图10 三种任务调度算法的能量消耗对比(任务数量1000)Fig.10 Energy consumption comparison of three task scheduling algorithms (number of tasks 1000)

4 结语

云计算平台通过虚拟化和分布式等技术，充分整合异构资源和均衡资源负载，减少数据中心的能量消耗，从而实现绿色通信的目标.本文基于资源整合策略，设计一种新的遗传并行任务调度算法.该算法从资源整合和资源配置角度，充分考虑到绿色云计算平台的分布性和异构性等特征.从仿真测试的实验结果来看，该算法在响应时间和能耗优化等方面，都明显优于其他算法.