云计算中基于三阈值的虚拟机迁移策略研究

2022-05-11吴宇飞

无线互联科技 2022年3期

吴宇飞,焦嘉

(湖南信息职业技术学院,湖南长沙 410203)

1 基于三阈值的虚拟机迁移框架

1.1 能耗模型

服务器的能耗由固定能耗和非固定能耗组成。固定能耗是物理设备开机就会产生的,在此将固定能耗设定为一个固定值,即常量。非固定能耗与服务器的虚拟机使用各项资源的情况相联系,数据中心某台服务器未工作时耗能是其最大功率运转时耗能的70%[1],所以本文中的能耗P(m)作为资源使用率的函数,如公式 1所示:

公式1中,m代表资源使用率,Pmax为功率常量,Pmax通过统计学相关公式计算,仿真实验中使用的Pmax设定为220 W,Pg是服务器产生的固定能耗,Pf是服务器产生的非固定能耗。因为资源使用率是根据时间动态变化的,则设定服务器的总能耗E如公式 2所示:

1.2 自适应三阈值迁移算法

本文在自适应三阈值迁移算法ATEA[2](Adaptive Three threshold Energy-aware Algorithm)的基础上进行优化,提出一种ATEAI(ATEA Improvement)的优化算法,ATEAI会根据阈值算法KAME得出的Sl,Sm,和Sh(0≤Sl＜Sm＜Sh≤1)3个阈值将服务器分为四个负载区间,然后通过监控模块获取的各个资源利用情况算出服务器资源综合利用率Sload,根据综合利用率Sload服务器处于何种负载情况。三阈值分成的4个负载区间如图1所示。

图1 服务器分类

ATEAI算法把负载过轻区间中的所有VM迁移到负载较轻区间上的服务器中,然后将负载过轻区中的服务器处于休眠状态,可以降低部分服务器能耗;负载较轻和负载正常区间中原本存在的VM不产生变动,VM的频繁迁移可能会引起SLA违约率和服务器性能下降;ATEAI选择负载较重区间内一些合适的VM迁移到负载较轻区间中的服务器内,从而降低负载较重区间内的服务器能耗。

1.3 阈值算法优化

为确定3个阈值,本文基于阈值算法KAM[3](Kmeans clustering algorithm-Average-Median Absolute Deviation),提出一种自适应阈值优化算法KAME(KAM Enhancement),有单变量数据集X1,X2,X3,…,Xp(Xi表示服务器在i时的资源综合利用率,p为经验值),KAME采取K-means聚类算法划分数据集(X1,X2,X3,….,Xp)成q组(Y1,Y2,Y3,….,Yq)(q为经验值),而Ys=(Xjs-1+1,Xjs-1+2,…..,Xjs),其中1≤s≤5,0=j0＜j1＜j2＜j3＜j4＜j5=p。接着KAME获得每一组的平均值,如公式3所示:

其中1≤s≤5。接着KAME得到Y(YA1,YA2,…,YA5)的MAD(Median Absolute Deviation)值。MAD如公式4所示:

公式(2-10)中,A1≤Ap≤A5,medianAq(YAq)是YAq中值。ATEAI中的3个自适应阈值(Sl,Sm,Sh)如公式5、公式6、公式7所示:

公式5、公式6、公式7中,参数r∈R+指的是KAME算法合并虚拟机的激烈程度。如果r值越大,合并带来的能耗越高,SLA违约率越少。如果r值越小,合并带来的能耗越低,SLA违约率越高,KAME算法的时间复杂度为O(q×p×t),q为组数,p为数据多少,t为循环次数。

参数Xi(i=1,2,3…,p)根据时间发生相应的改变,3个阈值Sl,Sm,Sh也随之发生改变。所以,KAME是一种自适应的三阈值算法。通过仿真实验结果表明,对于服务器的负载发生变动时,KAME算法设定的自适应三阈值Sl,Sm,Sh结合ATEAI三阈值迁移算法,可以较好地降低能耗,提高能效。

2 仿真实验与结果分析

在CloudSim软件中用户自定义代码模块部分实现了本文优化的虚拟机迁移算法ATEAI、阈值算法KAME、和虚拟机选择算法MCMN,并实现了KAM算法和两种虚拟机选择算法MINM、TLUC,运用已存在的负载数据进行仿真实验得到运行结果对比。此外,通过r值(合并虚拟机的激烈程度)从0.5到3.0,每次增加0.5,得到不同r值下的能耗指标,由结果对比产生最佳的r值。

将KAME算法和优化前的KAM算法,虚拟机选择算法进行组合对比,得出6种算法组合,在r值(合并虚拟机的激烈程度)从0.5到3.0,每次增加0.5值下的能耗(单位为KWh)如图2所示。

图2 6个组合在参数不同情况下产生的能耗

从图2中不同r值下的能耗对比可知,KAMMCMN是产生能耗最少的算法组合,造成此结果的原因为KAM-MCMN算法组合是在固定三阈值的基础上考虑CPU、内存和带宽三种服务器资源因素,而KAMMINM,KAM-TLUC两种算法组合在固定三阈值的基础上只考虑一种资源,产生较多的能耗是因为CPU耗能高于内存。

对于3种优化之后的算法组合,KAME-MCMN算法在r从0.5增大到3时,KAME-MCMN是产生能耗最少的算法组合,造成此结果的原因为KAME-MCMN算法组合是在自适应三阈值的基础上考虑CPU、内存和带宽三种服务器资源因素,可以根据服务器负载做出相应变化,更好的降低迁移过程中产生的能耗。