CN103488540A - 面向异构云数据中心的能耗优化资源调度方法 - Google Patents

Abstract

本发明涉及一种面向异构云数据中心的能耗优化资源调度方法，包括以下步骤：1、采集异构物理服务器和虚拟机的资源负载信息；2、将资源负载信息与异构物理服务器的能耗参数发送给资源重调度决策器；3、资源重调度决策器获得能耗最优的资源重调度结果；4、资源重调度决策器得到资源重调度的决策信息，并将资源重调度的决策信息发送给VM重调度执行器；5、VM重调度执行器根据重调度决策信息执行资源重调度：判断物理服务器的重调度是否处理完毕，如果物理服务器的重调度处理完毕，则执行步骤1；否则，执行步骤6；6、根据重调度决策信息分别执行启动物理服务器的模式，执行步骤5。该发明具有节省能源和降低了云数据中心运营成本等优点。

Description

面向异构云数据中心的能耗优化资源调度方法

技术领域

本发明涉及一种云数据中心的能耗管理技术，特别涉及一种面向异构云数据中心的能耗优化资源调度方法。

背景技术

近年来，数据中心的高能耗逐渐成为一个突出的问题，尤其是随着云计算时代的到来，更多的计算资源和存储资源集中在云端，给能耗的高效管理带来更大的挑战。据统计，2006年美国6000个左右的数据中心，消耗了大约610亿千瓦时的电能，总值高达45亿美元，超过了当年美国所有彩色电视机的总能耗。来自美国能源部的数据表明，数据中心的能耗占全美所有能耗的1.5%，并且对电能的需求仍在以每年12%的速度增长.到2011年，数据中心会消耗1000亿千瓦时的电能，每年花费约74亿美元。此外，IDC（International Datacorporation）市场研究公司对全球所有企业电能花费的评估结果表明，每年全球的企业大概要花费400亿美元在能耗上。数据中心的高能耗问题不仅造成电能的浪费、系统运行的不稳定，同时也对环境造成不良影响。美国联邦机构已经指出高能耗问题将对空气质量、国家安全、气候变化、电网可靠性等方面造成严重影响。因此，云数据中心的节能刻不容缓，能耗优化管理已经成为当前云数据中心亟待解决的重要问题。

2005年Google的首席工程师Luiz André Barroso在美国计算机学刊上发表《The price ofperformance》论文以来，业界掀起了对计算机系统性能追求方式的反思——无限制的追求系统性能，而忽视能源消耗的做法不再受到青睐。近年来，数据中心的高能耗逐渐成为一个突出的问题，如何进行合理的资源调度，尽可能降低能源的消耗，已经成为云数据中心资源管理一个重要的问题。Rajkumar Buyya等人研究云计算数据中心的能耗问题，提出一个绿色云计算体系结构（Green cloud architecture），它由用户层、绿色服务分配器层、虚拟机层、物理主机层组成，其中的核心是绿色服务分配器；并重点给出能耗感知的虚拟机优化放置和选择算法，通过能耗感知的分配方法降低数据中心的能耗。美国G vonLaszewski等人针对虚拟集群环境的能耗问题进行了研究，给出一个通过降低处理器速度来降低能耗的调度机制，给出了能耗公式E=E_dynamic+E_static及P_dynamic=ACv²s，其中A为能耗系数，C为总电容负载，v为处理器的电压，s为处理器的频率；该文献给出了根据虚拟机的负载来动态调节处理器电压的调度机制。Mohand-Said Mezmaz等人研究了云计算环境下优先顺序受限的（precedence-constrained）并行应用的调度问题，分别对优先顺序受限并行应用的完成时间和能耗进行了建模，其中能耗模型为：P_dynamic=ACv²s，然后提出了一种平行双目标混合方法，即把该调度问题建模为最小完成时间和能耗双多目标优化问题，并利用了Pareto遗传算法求解多目标优化问题，提出的并行双目标混合遗传算法兼顾到能耗的最少和应用完成时间的最小。为了实现数据中心的节能，Josep Lluis Berral等人提出通过工作负载整合来关闭不必要的服务器，从而减少活动服务器的数量和数据中心的能耗；在工作负载整合过程中，由于调度信息的动态变化，可能出现错误的负载迁移，从而影响系统性能。为了处理这种不确定信息和提高系统性能，作者提出机器学习方法预测负载迁移后应用和机器的关系模型，从而实现更加智能的负载联合和资源调度。然而，该文献并没有考虑不同类型负载的能耗与性能关系的不同；而且他们假设数据中心的服务器是同构的。国内叶可江等人分析了虚拟化云计算平台能耗监测方法，提出了虚拟机系统的整体能耗模型及服务器整合和在线迁移两种关键技术本身的能耗模，从虚拟化层和云平台层两个层次总结了目前能耗管理机制方面取得的进展，并对能耗管理算法进行分类、比较，介绍的相关能耗测量和评估方法对虚拟机能耗管理具有很好的参考意义。另外，国内林伟伟等也对云计算资源调度研究方法进行了研究，讨论了以降低云计算数据中心能耗为目标的资源管理方法的研究现状，特别提出面向异构云数据中心的能耗优化资源调度方法是未来的重要研究方向。

虽然最近几年在云计算的能耗管理方向已经开展了不少研究工作，然而，目前云数据中心能耗调度研究主要是针对同构服务器的调度，假设云数据中心的物理服务器的能耗是相同的，然而，实际的云数据中心服务器具有采购时间不同、使用年限不同及品牌不同等异构性，即使物理资源大小相同的物理服务器也有不同的能耗。因此，针对物理服务器的异构性进行能耗调度建模，利用好物理服务器的异构性和给出异构云数据中心能耗管理的资源调度优化方法是云计算领域亟待解决的重要问题。

发明内容

鉴于上述现有技术存在的不足，本发明目的是提供一种面向异构云数据中心的能耗优化资源调度方法，能根据云数据中心的资源负载信息和异构物理服务器的能耗参数动态重调度资源，优化异构云数据中心的能耗管理，节省能源和降低云数据中心的运营成本，并为云数据中心用户提供经济的资源服务。

为了实现上述目的，本发明所采用的一种面向异构云数据中心的能耗优化资源调度方法，包括以下步骤：

第一步骤：资源负载监控器周期采集异构物理服务器和虚拟机的资源负载信息，具体需要采集的资源负载信息包括所有运行的物理服务器和虚拟机的CPU利用率、内存及网络带宽使用情况；

第二步骤：资源负载监控器将采集的异构物理服务器和虚拟机的资源负载信息与异构物理服务器的能耗参数发送给资源重调度决策器；

第三步骤：资源重调度决策器根据收到的资源负载信息及异构物理服务器的能耗参数，按照运行虚拟机所需物理服务器和迁移虚拟机总能耗最小的目标进行资源重调度计算，获得能耗最优的资源重调度结果。其中资源重调度计算的方法为：计算将当前运行的所有虚拟机放置（调度）到物理机上的每种调度方式的物理服务器能耗及虚拟机迁移能耗，并比较各种调度方式的服务器和虚拟机迁移总能耗大小，选择物理服务器和虚拟机迁移总能耗最小的一种调度方式作为资源重调度的决策结果；

第四步骤：资源重调度决策器根据能耗最优的资源重调度结果与物理服务器及虚拟机的当前状态比较得到资源重调度的决策信息，其中资源重调度的决策信息为：所有虚拟机的迁移调度安排，包括是否需要迁移、迁移的目标物理服务器；所有物理服务器是否休眠和启动调度安排；并将资源重调度的决策信息发送给VM重调度执行器；

第五步骤：VM重调度执行器根据重调度决策信息执行资源重调度：如果还有物理服务器的重调度未处理完毕，那么选择一个物理服务器进行资源重调度；转入第六步骤；

如果所有物理服务器的重调度处理完毕，那么转入第一步骤；

第六步骤：根据物理服务器的重调度决策信息分别执行启动物理服务器休眠模式、迁移虚拟机或激活物理服务器休眠模式；转入第五步骤。

本发明与现有的数据中心能耗管理方法相比，具有如下优点：

1、与一般的云数据中心能耗优化调度方法不同（一般的方法主要考虑物理服务器是同构的，资源调度目标是最小服务器数量），本发明的目标是服务器的能耗总和最小，在调度时把物理服务器的能耗异构性引入到调度目标中，能更好地利用物理服务器的异构性，节省云数据中心的能耗。

2、提出的面向异构云数据中心的能耗优化调度方法可以发挥异构物理服务器的不同物理资源特性，利用资源的互补性来优化虚拟机的分配，可以组合多个CPU利用率低的虚拟机到一个内存大的物理服务器上，减少运行虚拟机所需的物理服务器数量。

3、提出的能耗优化资源调度方法优先调度能耗比高的物理服务器，降低虚拟机运行的能耗。

4、本发明周期采集物理服务器和虚拟机的资源负载信息，并根据资源负载信息和异构物理服务器的能耗参数进行资源重调度决策，实现云数据中心虚拟机的动态迁移和物理服务器的动态调度，从而利用物理服务器的异构性优化异构云数据中心的能耗管理，节省能源和降低云数据中心的运营成本，并为云数据中心用户提供更加经济的资源服务。

附图说明

图1为本发明方法的流程图。

图2为面向异构云数据中心的能耗优化资源调度方法的实施示意图。

具体实施方式

下面结合附图对本发明作进一步的详细描述，但本发明的实施和保护范围不限于此。

实施例

如图1所示，为本发明方法的流程图，资源负载监控器周期采集异构物理服务器和虚拟机的资源负载信息；然后将采集的异构物理服务器和虚拟机的资源负载信息与异构物理服务器的能耗参数发送给资源重调度决策器；资源重调度决策器根据收到的资源负载信息及异构物理服务器的能耗参数，按照运行虚拟机所需物理服务器和迁移虚拟机总能耗最小的目标进行资源重调度计算，获得能耗最优的资源重调度结果；接着资源重调度决策器将能耗最优的资源重调度结果与物理服务器及虚拟机的当前状态比较得到资源重调度的决策信息；最后VM重调度执行器根据重调度决策信息执行资源重调度：如果还有物理服务器的重调度未处理完毕，那么选择一个物理服务器进行资源重调度，即根据资源重调度的决策信息启动或激活物理服务器休眠模式，和对虚拟机进行迁移。

如图2所示，给出了面向异构云数据中心的能耗优化资源调度方法的一种实施方式，该调度系统由资源负载监控器、资源重调度决策器、VM重调度执行器、能耗监测器、物理服务器（Server）及虚拟机（VM）组成，其中资源负载监控器负责监测、收集物理服务器和虚拟机的各种资源使用情况（包括CPU利用率、内存及网络带宽），并将资源负载信息反馈给资源重调度决策器；资源重调度决策器根据收到的资源负载信息及异构物理服务器的能耗参数，按照运行虚拟机所需物理服务器和迁移虚拟机总能耗最小的目标进行资源重调度计算，获得能耗最优的资源重调度结果；VM重调度执行器根据重调度决策信息执行资源重调度，即根据每个物理服务器的重调度决策信息分别执行启动物理服务器休眠模式、迁移虚拟机或激活物理服务器休眠模式等重调度操作；能耗监测器负责收集和记录各物理服务器的能源消耗情况，并为资源重调度决策器提供异构物理服务器的能耗参数；物理服务器上运行了云数据中心的虚拟机，这些物理服务器是异构的，包括物理服务器的物理资源（CPU、内存等）大小、体系结构、能耗等不同。

为了获得能耗优化的资源重调度方式，我们给出对具体资源分配问题进行形式化描述。假设云数据中心的异构物理服务器的资源向量为P=(p₁，...，p_k)，当前需要分配（调度）的虚拟机的资源向量为V=(v₁，...，v_m)，物理服务器p_i上的虚拟机资源分配位向量为H_i=(h_i1，...，h_ik)，h_ij=1表示虚拟机v_j放置在物理服务器p_i上。向量R_P表示所有虚拟机的CPU需求，向量C_P表示物理服务器的CPU大小；向量R_m表示所有虚拟机的内存需求，向量C_m表示物理服务器的内存大小；向量R_b表示所有虚拟机的带宽需求，向量C_b表示物理服务器的带宽大小。由于被分配在物理服务器上的虚拟机资源（包括CPU、内存、网络带宽）总和必须小于等于物理服务器资源大小，因此，可得如下约束关系：

$R_p\·H_i\≤C_p\left(p_i\right),\∀p_i\∈P,---\left(1\right)$

$R_m\·H_i\≤C_m\left(p_i\right),\∀p_i\∈P,---\left(2\right)$

$R_b\·H_i\≤C_b\left(p_i\right),\∀p_i\∈P,---\left(3\right)$

由于物理服务器是异构的，因此，同样虚拟机（或任务）在不同物理服务器上运行会产生不同能耗，因此，可以假设在物理服务器p_i上放置各虚拟机资源时新增能耗的向量为其中e_ix表示虚拟机v_x放置在物理服务器p_i上时产生的新增能耗。由于物理服务器的能耗由静态能耗（空闲运行状态时产生的能耗）和动态能耗（由运行的应用程序产生的能耗）组成，因此，物理服务器的总能耗可以表示为：

$E_i=E_i^{\mathrm{dynamic}}+E_i^{\mathrm{static}},---\left(4\right)$

其中

为物理服务器空闲时产生的能耗（该能耗参数可以由能耗监测器测量得到）。因此，为了获得综合能耗最优的资源调度方式，我们给出如下目标函数：

$\mathrm{Minimize}\underset{i\∈P}{\mathrm{\Σ}}{u}_i\·E_i,$ 其中

其中E_i为物理服务器p_i的能耗。

求解上面的目标函数，则可获得能耗最优的资源重调度结果H，从能耗最优的资源重调度结果H可以获得物理服务器重调度和虚拟机迁移的决策信息：如果物理服务器资源p_i上的虚拟机资源分配位向量H_i没有分配任何虚拟机，则表示物理服务器p_i需要关闭，否则，表示需要开启；同时，由资源重调度结果H可知每个虚拟机具体被分配在哪个物理服务器，因此，可以获得虚拟机如何迁移的决策信息。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (4)

1.一种面向异构云数据中心的能耗优化资源调度方法，其特征在于，包括以下步骤：

第一步骤：资源负载监控器周期采集异构物理服务器和虚拟机的资源负载信息；

第二步骤：资源负载监控器将采集的异构物理服务器和虚拟机的资源负载信息与异构物理服务器的能耗参数发送给资源重调度决策器；

第三步骤：资源重调度决策器根据收到的资源负载信息及异构物理服务器的能耗参数，按照运行虚拟机所需物理服务器和迁移虚拟机总能耗最小的目标进行资源重调度计算，获得能耗最优的资源重调度结果；

第四步骤：资源重调度决策器根据能耗最优的资源重调度结果与物理服务器及虚拟机的当前状态比较得到资源重调度的决策信息，并将资源重调度的决策信息发送给VM重调度执行器；

第五步骤：VM重调度执行器根据重调度决策信息执行资源重调度：判断物理服务器的重调度是否处理完毕，如果所有物理服务器的重调度均处理完毕，则执行第一步骤；否则，选择一个物理服务器进行资源重调度；执行第六步骤；

第六步骤：根据物理服务器的重调度决策信息分别执行启动物理服务器休眠模式、迁移虚拟机或激活物理服务器休眠模式；执行第五步骤。

2.根据权利要求1所述的面向异构云数据中心的能耗优化资源调度方法，其特征在于：所述第一步骤中，资源负载监控器周期采集的资源负载信息，具体需要采集所有运行的物理服务器和虚拟机的CPU利用率、内存及网络带宽使用情况。

3.根据权利要求1所述的面向异构云数据中心的能耗优化资源调度方法，其特征在于：所述第三步骤中，所述资源重调度决策器计算资源重调度的方法为：

计算将当前运行的所有虚拟机放置到物理机上的每种调度方式的物理服务器能耗及虚拟机迁移能耗，并比较各种调度方式的服务器和虚拟机迁移总能耗大小，选择物理服务器和虚拟机迁移总能耗最小的一种调度方式作为资源重调度的决策结果。

4.根据权利要求1所述的面向异构云数据中心的能耗优化资源调度方法，其特征在于：所述第四步骤中，所述资源重调度的决策信息为：

所有虚拟机的迁移调度安排，包括是否需要迁移以及迁移的目标物理服务器；所有物理服务器是否休眠和启动调度安排。

Images