CN103823545B - 一种云计算系统的服务器唤醒方法 - Google Patents

Abstract

本发明公开了一种云计算系统的服务器唤醒方法，属于云计算节能技术应用领域。本发明将任务到达云计算系统并等待接受服务的过程建立成为具有不耐烦任务的排队论模型，根据平均任务背叛数和功耗成本动态调整任务请求数阈值，并进一步根据服务器温度因素选择服务器进行唤醒：当云计算系统中排队等待的任务请求数大于任务请求数阈值时，优先选择处于关闭/休眠状态的预留服务器中与制冷设备间的距离较小的进行唤醒；对于与制冷设备间的距离相同的处于关闭/休眠状态的预留服务器，则优先选择最近一次由运行状态切换至关闭/休眠状态的时间较早的预留服务器进行唤醒。相比现有技术，本发明可最大限度地降低系统能耗、提高系统性能。

Description

一种云计算系统的服务器唤醒方法

技术领域

本发明涉及一种云计算系统的服务器唤醒方法，属于云计算节能技术应用领域。

背景技术

云计算是一种商业计算模型和信息服务模式。作为一种新型的计算方式，云计算在短短的几年间就产生巨大的影响力，得到了工业界和学术界的广泛关注。然而随着云计算需求的不断增长，云中的硬件设备越来越多，数据中心的高能耗问题逐渐成为云计算领域一个突出的问题，已经严重制约云计算的发展。大量的能耗使得像Google、Microsoft和Facebook这样的IT公司每年的电费就高达几百万美元；据预测，如果维持当前的低能效水平，预计到2015年，仅全国数据中心的能耗量将约等于三峡水电站一年的发电量总和。随着数据中心规模的不断增长，数据中心出现了两难的情况：一方面由于物理服务器数量不断增多和处理能力不断增强，带来了更多的能量消耗，另一方面每个服务器过低的利用率又造成了巨大的电能浪费。调查显示我国数据中心主要由IT设备、空调系统和配电系统3部分组成，IT设备是能耗最高的部分，约占数据中心总能耗的50%，其中用于数据处理的服务器能耗约占40%；空调系统能耗约占云数据中心总能耗的40%；配电系统能耗约占云数据中心总能耗的10%。因此，在当前和未来一段时间内，云数据中心的能耗优化管理至关重要。

目前，云数据中心的能耗优化管理技术主要分为三大类：动态关闭/休眠技术、动态电压和频率调整技术、虚拟化技术。以上三种技术中，动态电压和频率调整技术主要是用来降低计算机中处理器的能耗，对整个云计算系统的能耗优化存在一定的局限性，并且在通信密集型应用中，网络通信的能耗在总能耗中占比重大于计算能耗，因此动态电压调整的好处可能会降低；虚拟化技术主要是用来降低服务器的奢侈能耗，通过对底层硬件到高层服务应用的层层虚拟，每一级的虚拟都不可避免地造成了一定程度的效能损耗，此外预估物理服务器的资源使用率并以此为基础来配置够用的虚拟服务器是虚拟化技术的关键，然而却仅有非常有限的工具具有预估资源使用趋势的能力，因此实现虚拟化技术本身要付出高昂的效能代价，并且具有一定的难度。由于动态电压和频率调整技术具有一定的局限性，虚拟化技术在实现上存在一定的难度，所以本发明主要研究的是动态关闭/休眠技术。

动态关闭/休眠技术(DynamicPoweringOn/OffServers,DPS)通常是针对服务器节点的关闭/休眠时机进行设定或预测，但是对于云计算系统而言，如何根据任务到达量决定处于运行状态的服务器数量却研究不多，处于运行状态的服务器数量过少直接影响到服务性能，然而过多的处于运行状态的服务器数量则会带来较多的额外能耗。因此对于包含有大量计算资源的云计算系统，如何根据到达的任务量决定处于运行状态的服务器数量，以及将哪些服务器处于运行状态从而做到性能与能耗的折中都给关闭/休眠技术赋予了新的研究难题。数据中心中的服务器分为两大模块，其中永久运行服务器构成服务主模块(servicemainmodule,SMM)，等待启动的服务器构成服务预留模块(servicereservedmodule,SRM)，由系统当前排队的任务请求数是否超过任务请求数阈值决定是否开启SRM的服务器。高宏卿等人[高宏卿,任淑霞,种大双.基于服务器集群预留机制的高级云体系架构研究[J].计算机应用研究.2012,29(7):2593-2597.]提出基于服务器集群预留机制的服务器状态管理策略，服务预留模块（SRM）的状态受上、下阈值两个阈值影响，即当任务请求数超过上阈值时，SRM开始启动，当任务请求数递减到下阈值时，SRM进入休眠状态。肖志娇等人[肖志娇,明仲,蔡树彬.基于状态管理的服务器节能策略研究[J].计算机科学.2013,40(4):22-30]利用Petri网的分析技术建立服务器状态切换模型，并通过设置唤醒阈值和休眠阈值来控制SRM中服务器的状态。王巍、罗军舟等人[王巍,罗军舟,宋爱波.基于动态定价策略的数据中心功耗成本优化[J].计算机学报.2013,36(3):599-612.]基于休假排队系统中休假时间选择的思想提出了一种双阈值的服务器状态控制策略，然而该文不加证明地选取参数作为双阈值策略中的阈值。在基于DPS技术的服务器状态管理策略中，关闭服务器意味着减少提供服务的设备，直接影响到服务性能，而开启过多的服务预留模块的服务器则会带来大量的额外能耗，因此优化设置或动态设置状态转换中的阈值参数，找到使得能耗节省和性能保证的最优阈值平衡点至关重要，然而上述方法中的任务请求阈值都是静态设置的，不能根据实际情况动态选择阈值平衡点，此外，现有方法都没有考虑选择哪个服务器节点进行唤醒，而是随机开启处于休眠的服务器节点，然而温度变化情况对于云计算系统的服务器至关重要，温度越高，温度变化越快，服务器的失效率越高。综上，现有方法没有充分考虑能耗的优化且没有考虑保证系统的稳定性。

发明内容

本发明所要解决的技术问题在于克服现有动态关闭/休眠技术不能根据实际情况动态调整唤醒预留服务器所需的任务请求数阈值的不足，提供一种云计算系统的服务器唤醒方法，可根据系统的当前的实际情况，动态调整唤醒预留服务器所需的任务请求数阈值，从而最大程度地降低系统能耗、提高系统性能。

本发明具体采用以下技术方案解决上述技术问题：

一种云计算系统的服务器唤醒方法，所述云计算系统包括一组永久运行服务器和一组可在运行状态与关闭/休眠状态之间进行切换的预留服务器，当云计算系统中排队等待的任务请求数大于任务请求数阈值时，则选择处于关闭/休眠状态的预留服务器进行唤醒；所述任务请求数阈值按照以下方法进行动态调整：

首先判断当前的平均任务背叛数是否超过预设的任务背叛数阈值，

如是，则将当前的任务请求数阈值调低；

如否，则继续判断当前的功耗成本是否大于预设的功耗成本阈值，如大于，则将当前的任务请求数阈值调高，否则，保持当前的任务请求数阈值不变；

所述平均任务背叛数按照下式得到：

所述平均任务背叛数按照下式得到：

$L=\underset{i=1}{\overset{i=k}{\mathrm{\Σ}}}{\mathrm{\Φ}}_i\×\frac{{\mathrm{\ρ}}^{n_{\mathrm{on}}+i}}{n_{\mathrm{on}}!(n_{\mathrm{on}}+\mathrm{\β})(n_{\mathrm{on}}+2\mathrm{\β})...(n_{\mathrm{on}}+\mathrm{i\β})}\×p_0,$

其中，

$p_0={\{\underset{j=0}{\overset{j=n_{\mathrm{on}}-1}{\mathrm{\Σ}}}\frac{{\mathrm{\ρ}}^j}{j!}+\frac{{\mathrm{\ρ}}^{n_{\mathrm{on}}}}{n_{\mathrm{on}}!}[1+\frac{\mathrm{\ρ}}{n_{\mathrm{on}}+\mathrm{\β}}+\frac{{\mathrm{\ρ}}^2}{(n_{\mathrm{on}}+\mathrm{\β})(n_{\mathrm{on}}+2\mathrm{\β})}+...+\frac{{\mathrm{\ρ}}^k}{(n_{\mathrm{on}}+\mathrm{\β})...(n_{\mathrm{on}}+\mathrm{k\β})}\left]\right\}}^{-1},$

L表示当前的平均任务背叛数；k表示当前排队的任务数；n_on表示当前开启的服务器总数；Φ_i=δ×i表示排队长为i时的任务背叛强度，δ为正比例系数；λ为任务到达云计算系统的平均到达率，μ为云计算系统中各服务器的平均服务率；所述功耗成本按照下式得到：

P=P_busy×(n+x)+P_off->on×(x+y)+P_idle×y，

式中，P表示功耗成本，P_busy表示单台服务器处于繁忙运行状态的功耗，P_idle表示单台服务器处于空闲运行状态的功耗，P_off->on表示单台服务器由关闭/休眠状态切换至运行状态的功耗，x表示当前处于繁忙运行状态的预留服务器的数量，y表示当前处于空闲运行状态的预留服务器的数量，n为永久运行服务器的总数。

优选地，所述任务背叛数阈值按照下式确定：

$L_{\mathrm{fixed}}=\frac{1}{2}\×k,$

式中，L_fixed表示任务背叛数阈值，k表示当前排队的任务数。

优选地，所述功耗成本阈值按照下式确定：

$P_{\mathrm{fixed}}=P_{\mathrm{busy}}\×[n+\frac{1}{2}(N-n)],$

P_fixed表示功耗成本阈值，P_busy表示单台服务器处于繁忙运行状态的功耗，n为永久运行服务器的总数，N为云计算系统中所有服务器的总数。

优选地，所述任务请求数阈值的动态调整，具体按照下式：

$\left\{\begin{array}{c}\mathrm{\α}(T+1)=\mathrm{ROUND}[\mathrm{\α}\left(T\right)\×\mathrm{\θ}]\\ \mathrm{\α}\left(1\right)=N\end{array}\right.,$

其中， $\mathrm{\θ}=\left\{\begin{array}{cc}\frac{k-L}{k},& L>L_{\mathrm{fixed}}\\ \frac{P_{\mathrm{busy}}\·(n+x)}{P_{\mathrm{busy}}\·n},& P>P_{\mathrm{fixed}}\end{array}\right.,$

其中，α(T)表示第T个周期的任务请求数阈值，T={1,2,3…}，初始值α(1)在数值上设为云计算系统中的服务器的总数，θ为阈值调整参数，k表示当前排队的任务数，L表示当前的平均任务背叛数，L_fixed表示任务背叛数阈值，P_busy表示单台服务器处于繁忙运行状态的功耗，P_fixed表示功耗成本阈值，n为永久运行服务器的总数，x表示当前处于繁忙运行状态的预留服务器的数量，ROUND为取整函数。

本发明将任务到达云计算系统并等待接受服务的过程建立成为具有不耐烦任务的排队论模型，根据平均任务背叛数和功耗成本动态调整任务请求数阈值，可有效降低系统能耗、提高系统性能。在选择需唤醒的预留服务器时，可采用现有常用的随机方法，即随机选择处于关闭/休眠状态的预留服务器唤醒。为了最大限度地降低系统能耗、提高系统性能，本发明还提出了以下的进一步改进方案：

当云计算系统中排队等待的任务请求数大于任务请求数阈值时，优先选择处于关闭/休眠状态的预留服务器中与制冷设备间的距离较小的进行唤醒。

优选地，所述云计算系统中的预留服务器按照其与制冷设备间的距离被预先分配不同的冷点区域优先级，距离越小，冷点区域优先级越高；所述选择处于关闭/休眠状态的预留服务器进行唤醒，具体按照以下方法：优先选择冷点区域优先级高的处于关闭/休眠状态的预留服务器进行唤醒。

进一步地，对于冷点区域优先级相同的处于关闭/休眠状态的预留服务器，优先选择最近一次由运行状态切换至关闭/休眠状态的时间较早的预留服务器进行唤醒。

相比现有技术，本发明可大幅降低系统能耗、提高系统性能。

附图说明

图1为云计算系统的服务器模块划分示意图；

图2为具有不耐烦顾客的M/M/N排队模型图；

图3为具体实施方式中数据中心机房制冷设备部署图；

图4为具体实施方式中所述本发明方法的整体流程示意图。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

云计算系统的一般结构如图1所示，设云数据中心中共有N台服务器，其中的n台永久运行服务器构成服务主模块(SMM)，等待云任务的到达；其余的N-n台预留服务器构成服务预留模块(SRM)，根据云计算系统中排队的任务请求数是否超过任务请求数阈值α来决定是否开启预留模块的服务器。云任务等待服务器响应具有一定的忍耐度，若等待时间过长，就会引起正在排队等候的任务出现烦躁情绪，并且有的任务最终离开队伍去别处另求服务，即发生“任务背叛”。本发明依据排队论中的相关知识[陆传赉.排队论[M].北京：北京邮电学院出版社,1994:113-116]，将任务到达云计算系统并等待接受服务的过程建立成为具有不耐烦任务的排队论模型，根据平均任务背叛数和功耗成本动态调整任务请求数阈值。本发明进一步在选择唤醒的服务器时，根据服务器的冷点区域优先级和时间优先级优化选择服务器节点进行唤醒来最大程度地降低系统能耗、提高系统性能。

具有不耐烦任务的排队系统的一般结构如图2所示，0状态表示系统中没有任务在执行，也没有任务在排队，处于该状态的概率设为p₀；1状态表示系统中有1个任务正在执行，没有任务在排队，处于该状态的概率设为p₁；……；n-1状态表示系统中有n-1个任务在执行，没有任务在排队，处于该状态的概率为p_n-1；n状态表示系统中有n个任务在执行，没有任务在排队，处于该状态的概率设为p_n；n+1状态表示系统中有n个任务正在执行，1个任务正在排队，处于该状态的概率为p_n+1；……；n+k状态表示系统中有n个任务正在执行，k个任务正在排队，处于该状态的概率为p_n+k。

本方案的整个云计算系统模型定义为七元组(H₁，H₂，k，Φ_k，n_on，λ，μ)，其中，H₁={h_1i|1≤i≤n}表示云计算系统SMM中服务器节点的集合；H₂={h_2i|1≤i≤N-n}表示云计算系统SRM中服务器节点的集合；k表示系统当前的排队数；Φ表示排队系统中不耐烦任务离去的强度(发生任务背叛的强度)，其值与k有关，记为Φ_k(排队长为k时发生任务背叛的强度)，且Φ_k→∞(当k→∞)；n_on为云计算系统处于开启状态的服务器数量（包括全部的永久运行服务器和部分开启的预留服务器）；λ为任务到达云计算系统的平均到达率；μ为云计算系统中各服务器的平均服务率。

（1）平均任务背叛数的计算：

系统当前的平均任务背叛数是系统排队长为i(1≤i≤k)时发生任务背叛的强度以及系统排队长为i的概率乘积求和，为了计算出L，须求出在当前已经开启的服务器数量下系统处于各个状态的概率，为简便表示，设Φ_i=δ×i（即任务背叛强度是排队长的正比例函数，δ为正比例系数），设设初始时刻，系统开启的服务器数量为永久运行的服务器数量n，则根据图2，可以列出已经开启的服务器数量为n时系统平衡条件下的K氏方程如下：

当到达云计算系统的任务总数K小于或等于云计算系统已经开启的服务器总数n_on，即当K≤n_on时，有以下公式：

对0状态有λp₀=μp₁，得

对1状态有λp₁=2μp₂，得

对2状态有λp₂=3μp₃，得

对n-1状态有λp_n-1=nμp_n，得

当K>n_on时，有以下公式：

对n状态有λp_n=(nμ+δ)p_n+1，得 $p_{n+1}=\frac{\mathrm{\λ}}{\mathrm{n\μ}+\mathrm{\δ}}{p}_n=\frac{{\mathrm{\ρ}}^{n+1}}{n!(n+\mathrm{\β})}{p}_0$

对n+1状态有λp_n+1=(nμ+2δ)p_n+2，得

一般地 $p_{n+k}=\frac{{\mathrm{\ρ}}^{n+k}}{n!(n+\mathrm{\β})(n+2\mathrm{\β})...(n+\mathrm{k\β})}{p}_0---\left(1\right)$

上述一系列推导公式得出了p₁、p₂...p_n+1、p_n+2...p_n+k与p₀的关系式，利用正则性条件（系统处于各个状态的概率之和为1），即

$\underset{i=0}{\overset{i=n+k}{\mathrm{\Σ}}}{p}_i=1(p_0+p_1+p_2+...+p_n+p_{n+1}+...+p_{n+k}=1)---\left(2\right)$

将p₁、p₂...p_n+1、p_n+2...p_n+k与p₀的关系代入上述(2)式可以计算得到p₀的值，

$p_0={\{\underset{j=0}{\overset{j=n-1}{\mathrm{\Σ}}}\frac{{\mathrm{\ρ}}^j}{j!}+\frac{{\mathrm{\ρ}}^n}{n!}[1+\frac{\mathrm{\ρ}}{n+\mathrm{\β}}+\frac{{\mathrm{\ρ}}^2}{(n+\mathrm{\β})(n+2\mathrm{\β})}+...+\frac{{\mathrm{\ρ}}^k}{(n+\mathrm{\β})...(n+\mathrm{k\β})}\left]\right\}}^{-1}---\left(3\right)$

当系统当前开启的服务器总数（包括全部的永久运行服务器和当前开启的预留服务器）为n_on时，就可以计算出在当前开启的服务器总数下相应的p₀、就可以计算得出L的值，计算公式如下：

$L=\underset{i=1}{\overset{i=k}{\mathrm{\Σ}}}\mathrm{\δ}\×i\×\frac{{\mathrm{\ρ}}^{n_{\mathrm{on}}+i}}{n_{\mathrm{on}}!(n_{\mathrm{on}}+\mathrm{\β})(n_{\mathrm{on}}+2\mathrm{\β})...(n_{\mathrm{on}}+\mathrm{i\β})}\×{\{\underset{k=0}{\overset{n_{\mathrm{on}}-1}{\mathrm{\Σ}}}\frac{{\mathrm{\ρ}}^j}{k!}+\frac{{\mathrm{\ρ}}^{n_{\mathrm{on}}}}{n_{\mathrm{on}}!}[1+\frac{\mathrm{\ρ}}{n_{\mathrm{on}}+\mathrm{\β}}+\frac{{\mathrm{\ρ}}^2}{(n_{\mathrm{on}}+\mathrm{\β})(n_{\mathrm{on}}+2\mathrm{\β})}+...+\frac{{\mathrm{\ρ}}^k}{\underset{w=1}{\overset{k}{\mathrm{\Π}}}{n}_{\mathrm{on}}+\mathrm{w\β}}\left]\right\}}^{-1}---\left(4\right)$

上式中，系统当前排队的任务数k、系统当前开启的服务器数量n_on可以从系统当前运行情况获得；正比例系数δ、系统的任务平均到达率λ、系统的服务器平均服务率μ可以通过长期监测云计算系统的运行情况统计获得。

（2）功耗成本的计算：

云数据中心中，服务器处于不同的运行状态的功耗不一样，设处于繁忙运行的服务器的功耗为P_busy，处于空闲运行的服务器的功耗为P_idle，服务器从关到开（即关闭/休眠状态切换至运行状态）的功耗为P_off->on，服务器从开到关不消耗电量，SRM中有x台服务器处于繁忙运行状态，有y台服务器处于空闲运行状态，则系统总的功耗成本函数值P的计算公式如下：

P=P_busy×(n+x)+P_off->on×(x+y)+P_idle×y(5)

（3）任务请求数阈值α的动态调整：

系统可按预设的周期计算当前的平均任务背叛数及功耗成本，并决定是否需要对当前的任务请求数阈值进行调整。较小的阈值可以促使服务器快速启动以降低服务延迟，而较大的阈值可以避免预留服务器的频繁开关，有利于维持系统的稳定性和降低系统能耗。为了在性能和能耗之间达到折中，本发明通过平均任务背叛数和功耗成本控制阈值的变化，如果平均任务背叛数较多，说明任务请求队列较长，处于运行状态服务器数量较少，表明上次设置的阈值较大，因此可以将阈值调小；如果功耗成本较大，说明电力消耗成本过大，开启的预留服务器较多，上次设置的阈值较小，因此可以将阈值调大。因此，首先判断平均任务背叛数L是否超过固定任务背叛数L_fixed（本发明优选），如是，则将任务请求数阈值调小；如否，则接着判断功耗成本P是否超过功耗成本阈值P_fixed（本发明优选），如是，则将任务请求数阈值调大。

阈值调整的幅度可按照预先设定的固定数值或固定比例，为了使阈值调整幅度更具合理性，本发明优选采用以下的调整方案：

设ROUND为取整函数，θ为阈值调整参数，系统任务请求数阈值的初始值α(1)在数值上等于云数据中心全部服务器的数量N，α(T)表示第T个周期的任务请求数阈值，则阈值调小和调大的公式分别如下(6)、(7)所示：

$\mathrm{\α}(T+1)=\mathrm{ROUND}[\mathrm{\α}\left(T\right)\×\mathrm{\θ}];\mathrm{\θ}=\frac{k-L}{k}---\left(6\right)$

$\mathrm{\α}(T+1)=\mathrm{ROUND}[\mathrm{\α}\left(T\right)\×\mathrm{\θ}];\mathrm{\θ}=\frac{P_{\mathrm{busy}}\×(n+x)}{P_{\mathrm{busy}}\×n}---\left(7\right)$

在选择需唤醒的预留服务器时，可采用现有常用的随机方法，即随机选择处于关闭/休眠状态的预留服务器唤醒。为了最大限度地降低系统能耗、提高系统性能，本发明进一步提出了根据服务器温度因素进行选择唤醒的方案：当云计算系统中排队等待的任务请求数大于任务请求数阈值时，优先选择处于关闭/休眠状态的预留服务器中与制冷设备间的距离较小的进行唤醒；对于与制冷设备间的距离相同的处于关闭/休眠状态的预留服务器，则优先选择最近一次由运行状态切换至关闭/休眠状态的时间较早的预留服务器进行唤醒。以下为一种具体实现方式：

设云数据中心采用中央空调，并且采用通风地砖实现数据中心制冷，典型的数据中心机房制冷设备部署如图3所示，数据中心机房中共有I个通风口，由于各个通风口成行排列，可以将三维空间的距离问题转化为二维平面的距离问题（只考虑横向坐标和竖向坐标），并且距离服务器最近的通风口对服务器的温度影响最大（其余的通风口与服务器之间隔着一系列服务器机组，从而对服务器的温度影响可以忽略不计）。设第i（1≤i≤I）个通风口的坐标为（X_i，0），第j个服务器节点的坐标为(x_j，z_j)（1≤j≤N），服务器j到通风口i的距离记为dis_ji，设d_j表示第j个服务器的冷点区域优先级，服务器节点距离通风口距离越短，温度越低，服务器节点的冷点区域优先级越高；t_j表示第j个服务器节点的时间优先级，服务器的频繁开关会影响服务器的性能，上一次关闭时刻距离当前时间越长，服务器节点的时间优先级越高。具体可采用以下方法：

步骤1：冷点区域优先级的获取：首先计算服务器j到最近一个通风口的距离dis_ji，根据dis_ji按照固定组距r划分d优先级，若dis_ji∈[0,r)，则为1级冷点区域；若dis_ji∈[r,2r)，为2级冷点区域...依此类推；d_j的计算公式如下：

$d_j=[\min \left(\sqrt{{(X_i-x_j)}^2+{(0-z_j)}^2}\right)/r]+1,(0\≤i\≤I;0\≤j\≤N)---\left(8\right)$

步骤2：时间优先级的获取：为系统SRM中的服务器设置计时器，初始时刻计时器的值都为∞，当预留模块的服务器节点开启运行一段时间并再次关闭的时候，该服务器节点计时器的值更新为0，并重新开始计时，计时器的值越大，则该服务器的时间优先级越高。若服务器j上的计时器关闭，则Timer_j=0，此时∞表示计时器的计时值；若服务器j上的计时器开启，则Timer_j=1，此时Timer.t_j表示第j个服务器上计时器的计时值。t_j的计算公式如下：

$t_j=\left\{\begin{array}{cc}\∞,& \mathrm{Time}{r}_j=0\\ \mathrm{Timer}.t_j& {\mathrm{Timer}}_j=1\end{array}\right.---\left(9\right)$

步骤3、在云数据中心中设置一个令牌(Token)，令牌首先划分给1级冷点区域，之后依次传递给2级冷点区域...当需要唤醒服务器时，应该首先选择冷点区域，选择的依据为服务器的冷点区域优先级，当决定了冷点区域后，再选择处于该冷点区域上的服务器节点，选择的依据为服务器的时间优先级，如果该冷点区域有两台或两台以上的服务器的时间优先级一样，则随机选择其中一台服务器进行唤醒操作。

图4显示了本实施方式中服务器唤醒方法的基本流程，包括以下步骤：

步骤1)设置云计算系统初始时刻SMM中服务器的数量，初始时刻SMM服务器数量是基于流量稳定这种理想的情况而设定的，不同的数据中心有不同的最优SMM服务器数量，具体计算可采用各种现有设置方法；

步骤2）为云数据中心划分冷点区域，根据服务器节点所处的同心圆的级别确定服务器冷点区域的级别；

步骤3）设置云计算系统初始时刻的任务请求数阈值；

步骤4）根据系统的平均任务背叛数和功耗成本来判断是否需要调整任务请求数阈值，若是，则调整，若否，则继续下一步骤；

步骤5）判断当前排队的任务请求数是否超过阈值，若是，继续下一步骤，若否，系统保持当前状态，并重复步骤4）；

步骤6）根据服务器优化选择策略选择一个优先级较高的服务器节点，并将之切换为运行状态；

步骤7）判断系统SRM中是否有服务器处于空闲运行状态，若是，继续下一步骤，若否，系统保持当前状态并重复步骤4）；

步骤8）将处于空闲运行的服务器节点再次休眠/关闭，并更新计时器的值，重复步骤4）。

Claims (4)

1.一种云计算系统的服务器唤醒方法，所述云计算系统包括一组永久运行服务器和一组可在运行状态与关闭/休眠状态之间进行切换的预留服务器，当云计算系统中排队等待的任务请求数大于任务请求数阈值时，则选择处于关闭/休眠状态的预留服务器进行唤醒；其特征在于，所述任务请求数阈值按照以下方法进行动态调整：

首先判断当前的平均任务背叛数是否超过预设的任务背叛数阈值，任务背叛数是指当云任务等待服务器响应的时间过长，引起正在排队等候的任务出现烦躁情绪，造成最终离开队伍去别处另求服务的任务数量；

如是，则将当前的任务请求数阈值调低；

如否，则继续判断当前的功耗成本是否大于预设的功耗成本阈值，如大于，则将当前的任务请求数阈值调高，否则，保持当前的任务请求数阈值不变；

所述平均任务背叛数按照下式得到：

$L=\underset{i=1}{\overset{i=k}{\Σ}}{\mathrm{\Φ}}_i\×\frac{{\mathrm{\ρ}}^{n_{on}+i}}{n_{on}!(n_{on}+\mathrm{\β})(n_{on}+2\mathrm{\β})\mathrm{...}(n_{on}+i\mathrm{\β})}\×p_0,$

其中，

$p_0={\{\underset{j=0}{\overset{j=n_{on}-1}{\Σ}}\frac{{\mathrm{\ρ}}^j}{j!}+\frac{{\mathrm{\ρ}}^{n_{on}}}{n_{on}!}\[1+\frac{\mathrm{\ρ}}{n_{on}+\mathrm{\β}}+\frac{{\mathrm{\ρ}}^2}{(n_{on}+\mathrm{\β})(n_{on}+2\mathrm{\β})}+...+\frac{{\mathrm{\ρ}}^k}{(n_{on}+\mathrm{\β})...(n_{on}+k\mathrm{\β})}\]\}}^{-1},$

L表示当前的平均任务背叛数；k表示当前排队的任务数；n_on表示当前开启的服务器总数；Φ_i＝δ×i表示排队长为i时的任务背叛强度，δ为正比例系数；λ为任务到达云计算系统的平均到达率，μ为云计算系统中各服务器的平均服务率；

所述功耗成本按照下式得到：

P＝P_busy×(n+x)+P_off->on×(x+y)+P_idle×y，

式中，P表示功耗成本，P_busy表示单台服务器处于繁忙运行状态的功耗，P_idle表示单台服务器处于空闲运行状态的功耗，P_off->on表示单台服务器由关闭/休眠状态切换至运行状态的功耗，x表示当前处于繁忙运行状态的预留服务器的数量，y表示当前处于空闲运行状态的预留服务器的数量，n为永久运行服务器的总数；

所述任务背叛数阈值按照下式确定：

$L_{fixed}=\frac{1}{2}\×k,$

式中，L_fixed表示任务背叛数阈值，k表示当前排队的任务数；

所述功耗成本阈值按照下式确定：

$P_{fixed}=P_{busy}\×\[n+\frac{1}{2}(N-n)\],$

P_fixed表示功耗成本阈值，P_busy表示单台服务器处于繁忙运行状态的功耗，n为永久运行服务器的总数，N为云计算系统中所有服务器的总数；

所述任务请求数阈值的动态调整，具体按照下式：

$\left\{\begin{array}{c}\mathrm{\α}(T+1)=ROUND\[\mathrm{\α}\left(T\right)\×\mathrm{\θ}\]\\ \mathrm{\α}\left(1\right)=N\end{array}\right.,$

其中， $\mathrm{\θ}=\left\{\begin{array}{cc}\frac{k-L}{k},& L>L_{fixed}\\ \frac{P_{busy}\·(n+x)}{P_{busy}\·n},& P>P_{fixed}\end{array}\right.,$

其中，α(T)表示第T个周期的任务请求数阈值，T＝{1,2,3…}，初始值α(1)在数值上设为云计算系统中的服务器的总数，θ为阈值调整参数，k表示当前排队的任务数，L表示当前的平均任务背叛数，L_fixed表示任务背叛数阈值，P_busy表示单台服务器处于繁忙运行状态的功耗，P_fixed表示功耗成本阈值，n为永久运行服务器的总数，x表示当前处于繁忙运行状态的预留服务器的数量，ROUND为取整函数。

2.如权利要求1所述云计算系统的服务器唤醒方法，其特征在于，当云计算系统中排队等待的任务请求数大于任务请求数阈值时，优先选择处于关闭/休眠状态的预留服务器中与制冷设备间的距离较小的进行唤醒。

3.如权利要求2所述云计算系统的服务器唤醒方法，其特征在于，所述云计算系统中的预留服务器按照其与制冷设备间的距离被预先分配不同的冷点区域优先级，距离越小，冷点区域优先级越高；所述选择处于关闭/休眠状态的预留服务器进行唤醒，具体按照以下方法：优先选择冷点区域优先级高的处于关闭/休眠状态的预留服务器进行唤醒。

4.如权利要求3所述云计算系统的服务器唤醒方法，其特征在于，对于冷点区域优先级相同的处于关闭/休眠状态的预留服务器，优先选择最近一次由运行状态切换至关闭/休眠状态的时间较早的预留服务器进行唤醒。