CN103945548A - 一种c-ran网络中的资源分配系统及任务/业务调度方法 - Google Patents

Abstract

本发明公开了一种C-RAN网络中的资源分配系统及任务/业务调度方法，其创新点在于，包括以下步骤：(1)建立基于C-RAN网络特性的计算和通信资源相结合的资源分配体系；(2)建立基带资源池(BBU)负载预测机制，得到所需的虚拟机配置规模；(3)根据系统中任务/业务的QoS特性建立对应的任务分类机制；(4)计算每个任务所需的计算资源和通信资源；(5)通过虚拟机的动态调度机制将任务/业务分配到最优的虚拟机上。本发明的方法能够满足用户任务/业务的QoS要求，同时通过预测机制，以使用较小的虚拟机资源变化量，达到BBU内多种物理资源均匀分配的目的。

Description

一种C-RAN网络中的资源分配系统及任务/业务调度方法

技术领域

本发明涉及虚拟化技术领域，具体涉及C-RAN(CloudRadioAccessNetwork)网络中的资源分配系统以及任务/业务调度方法。本发明适用于解决在C-RAN架构下，拥有不同服务质量(QualityofService，QoS)要求的任务/业务的资源分配问题。

背景技术

在传统的网络应用服务中，数据中心提供以整机为基本单位的服务器租赁服务，由于资源分配的粗粒度，造成数据中心服务器的负载不均衡，能耗较高，并且无法灵活分配资源。

而C-RAN是基于集中化处理、协作式无线电和实时云架构的绿色无线接入网构架，它主要包含三个部分：分布式无线网络，由远端无线射频单元(RadioRemoteUnit,RRU)和天线组成；集中式基带处理池(BaseBandUnit,BBU)，由加载实时虚拟技术的高性能通用处理器组成；光纤环网，用高带宽低延迟的光传输网络来连接远端无线射频单元和集中式基带处理池。集中式基带处理池内通过采用虚拟化技术，以虚拟机(VirtualMachine，VM)取代传统的基站的功能，成为数据中心的基本服务单元。这样的改变可以提高用户访问的服务质量，同时降低网络流量。

集中式基带处理池由高性能通用处理器组成，通过实时的虚拟化技术连接在一起，集合成具有强大处理能力的基带资源池，来为每个虚拟机基站提供所需的处理性能需求。集中化基带处理可以保证资源共享，即虚拟基站可以在集中式基带处理池中共享所有用户发送和接收的信息、业务数据和信道质量等信息，从而实现联合处理和动态调度，增强了集中式基带处理池整体运行的可靠性。不同时刻不同远端无线射频单元小区的负载会有差异，这种差异将导致每个虚拟基站申请计算资源量的变化。而合理的动态资源分配算法可承载更多的负载，有效提高系统资源利用率。

现有的任务/业务调度方法主要针对最大化剩余资源量、最小化通信负载、减少功耗等。然而从用户的角度来说，不同的任务/业务有不同的服务质量要求，而只有基于服务质量约束的虚拟机映射方式，才能在满足任务需求的同时，保持系统物理资源的高利用率。

发明内容

针对现有技术的不足，本发明提出了一种C-RAN网络中的资源分配系统及任务/业务调度方法。

鉴于任务/业务的多样性，本发明根据任务的服务质量特性，提供一种在C-RAN网络中计算和通信资源相结合的分配系统以及任务/业务调度方法。

进一步地，本发明可以保证任务的时延约束，同时达到集中式基带处理池内多种物理资源均匀分配的目的。

本发明的基本思路，首先根据集中式基带处理池内的预测模型得到某一时刻的负载波动范围；然后利用预测结果适当地调整虚拟机队列；同时根据任务的服务质量约束为任务分类，更新任务队列；动态地调度任务到最优的虚拟机上。

为实现上述目的，本发明采用的技术方案如下：

一种C-RAN网络中的资源分配系统及任务/业务调度方法，所述一种C-RAN网络中的资源分配系统包括：

集中式基带处理池负载预测模块：预测集中式基带处理池中工作负载的波动区间，并把预测的结果汇报给所述虚拟机管理模块，提供虚拟机添加或删除的依据。

虚拟机队列：维护和监控所有虚拟机的状态，给任务/业务调度模块提供调度依据。

虚拟机管理模块：监控虚拟机队列中物理资源(如CPU、内存和带宽)的平均利用率。

任务/业务调度模块：根据特定任务的应用请求，在可用的虚拟机队列中找到满足调度目标的虚拟机并将其分配给该任务。

任务/业务管理模块：根据任务的服务质量特性对其进行分类处理，得到不同任务关于虚拟机位置的放置约束条件；任务加载在不同虚拟机上的时候，可能会涉及数据交换，此时需要占用系统内部带宽，为了避免底层网络通信链路的拥塞，最小化通信负载，也就是要尽量减少为任务队列服务的所有虚拟机之间数据交换的次数。

任务队列：管理分类后的任务请求，即按照先后到达顺序排列，等待任务/业务调度模块的处理。

需要说明的是，所述任务/业务调度方法包括如下步骤：

步骤1，到达预测时间点时，集中式基带处理池负载预测模块进行负载预测过程，具体步骤为：

步骤1.1，利用远端无线射频单元负载量在时间上的周期性变化规律得到长期预测平均值，即以T₁为预测时间点，找到每个远端无线射频单元小区工作负载的统计范围，得到一个负载量的平均参数；

步骤1.2，如果到达预测时间点，则进行负载预测过程，否则保持虚拟机的配置不变；

步骤1.3，比较预测点的平均负载情况和前一时刻的负载情况，如果为上升趋势，需调整增加值，即下一时刻负载为平均负载加上短期修正值；如果为下降趋势，需调整减小值，即下一时刻负载为平均负载减去短期修正值；

步骤1.4，利用动态趋势预测的策略得到短期的修正值，例如采用一阶自回归模型，以T₂为预测的基本时间段，得到T₂时段内的短期预测值，用以修正长期负载预测的结果；

需要进一步说明的是，CPU和内存是虚拟机所独有的资源，可以进行预测，而带宽属于公有资源，采用适量调节的方法，所述步骤1中的短期预测模型只包括虚拟机独有的CPU和内存，即：

X_cpu(t)＝b₁₁X_cpu(t-1)+b₁₂X_mem(t-1)+β_cpuε(t)

X_mem(t)＝b₂₁X_cpu(t-1)+b₂₂X_mem(t-1)+β_memε(t)

其中X_cpu、X_mem分别表示CPU和内存的使用量，ε(t)为白噪声，b₁₁、b₁₂、b₂₁、b₂₂为调整因子；比较预测点的平均负载情况和前一时刻的负载情况，如果为上升趋势，需调整增加值，即下一时刻负载为平均负载加上短期修正值；如果为下降趋势，需调整减小值，即下一时刻负载为平均负载减去短期修正值。

步骤2，所述虚拟机管理模块根据集中式基带处理池负载预测得到的结果，虚拟机管理模块动态地调整所述虚拟机队列，同时监控开启的虚拟机队列的物理资源(CPU、内存和带宽)的平均利用率 $(1/N){\mathrm{\Σ}}_{J=1}^N({\mathrm{\ω}}_{\mathrm{cpu}}{r}_{\mathrm{cpu},j}+{\mathrm{\ω}}_{\mathrm{mem}}{r}_{\mathrm{mem},j}+{\mathrm{\ω}}_{\mathrm{bwd}}{r}_{\mathrm{bwd},j}),$ 其中，N表示集中式基带处理池中处于使用状态的虚拟机数目，ω表示每种资源的权重，用于均衡多维的资源利用率，避免某一种资源占用率高，其中，r_cpu,j、r_mem,j、r_bwd,j分别表示虚拟机j在CPU、内存和带宽上的资源利用率(即已使用资源与总资源的比值)，r_th,cpu、r_th,mem、r_th,bwd分别表示虚拟机所能承受的不同资源利用率的标准上限，ω_cpu＝r_th,cpu-r_cpu,j，ω_mem＝r_th,mem-r_mem,j，ω_bwd＝r_th,bwd-r_bwd,j，当开启的虚拟机队列的平均利用率低于所设定的预阈值时，使用智能优化方法更新虚拟机的分配方式，从而尽可能地使用户任务集中运行，使剩余的物理资源可以接收更多的任务请求，若开启的虚拟机队列的平均利用率高于所设定的阈值，则添加新的虚拟机进入所述虚拟机队列以增加物理资源量；

步骤3，所述任务/业务管理模块把当前等待处理的任务按照需求的带宽资源分为K类，并按照占用带宽高的类到占用带宽低的类进行排序，用distance(VM_i1,VM_i2)表示为任务i服务的虚拟机VM₁与VM₂之间通信传输交换的次数，交换的次数越多，占用的链路带宽就越大，因此有高带宽需求的任务应该尽量加载到邻近的虚拟机上，以减少需要交换的次数；

需要进一步说明的是，在步骤3中，任务的放置约束条件表达式为：

$\max \left\{\mathrm{dis}\tan \mathrm{ce}({\mathrm{VM}}_{i1},{\mathrm{VM}}_{i2})\right\}\·\stackrel{\‾}{T}\≤d_i\·\stackrel{\‾}{T}=T_i,\∀i$

其中，不同虚拟机之间每次交换的平均时延为T_i为任务可以容忍的最大时延；在处理任务映射的时候，d_i也可以作为一个虚拟机放置的上限，通过调节d_i的大小来实现链路负载和资源利用率的平衡。

步骤4，当任务向虚拟机管理器发送请求的时候，所述虚拟机管理器根据任务在CPU和内存方面的需求，在可用的虚拟机队列中查找当前虚拟机资源是否可以满足任务请求，其中：

步骤4.1，如果可以满足，那么将该虚拟机分配给这个任务；如果不可以被满足，那么重新开启一个虚拟机，并将新的虚拟机加入虚拟机队列；

步骤4.2，当任务请求完成，向虚拟机发送释放请求时，更新虚拟机剩余资源，销毁闲置的虚拟机；

步骤5，更新虚拟机队列以及任务队列。

本发明的有益效果在于：一方面，本发明利用预测模型得到集中式基带处理池中负载的变化量，合理动态的调度虚拟机；另一方面，本发明能够根据任务的不同时延特性，进行分类处理，合理的放置在虚拟机上，最小化通信链路负载。除此之外，本发明以均衡多种资源的利用率为目标，通过调节每种资源的权重值，达到合理使用物理资源的目标。

附图说明

图1为本发明方法的系统模型示意图；

图2为本发明方法的预测过程示意图。

具体实施方式

下面将结合附图对本发明作进一步的描述，需要说明的是，本实施例以本技术方案为前提进行实施，但并不限于实施例。

如图1所示，本发明为一种C-RAN网络中的资源分配系统及任务/业务调度方法，所述C-RAN网络中的资源分配系统包括集中式基带处理池负载预测模块、虚拟机队列、虚拟机管理模块、任务/业务调度模块、任务/业务管理模块和任务队列，其中：

集中式基带处理池负载预测模块根据预测模型得到下一时刻的负载波动范围，虚拟机管理模块根据预测结果动态地调整虚拟机队列；同时任务/业务管理模块根据任务的服务质量特性为其分类；最后任务/业务调度模块以均匀分配三种物理资源为目标，将每个任务动态地放置到最优的虚拟机上；

具体实施步骤为：

步骤1，根据图2所示流程，集中式基带处理池预测过程为：

步骤1.1，利用远端无线射频单元小区负载量在时间上的周期性变化规律得到长期预测平均值，即以T₁为预测时间点，例如，T₁＝1hour，找到每个远端无线射频单元小区统计上的工作负载范围，得到一个负载量的平均参数；

步骤1.2，如果到达预测时间点，则进行负载预测过程，否则保持虚拟机的配置不变；

步骤1.3，比较预测点的平均负载情况和前一时刻的负载情况，如果为上升趋势，需调整增加值，即下一时刻负载为平均负载加上短期修正值；如果为下降趋势，需调整减小值，即下一时刻负载为平均负载减去短期修正值；

步骤1.4，采用短期预测模型，以T₂为预测的基本时间段，例如，T₂＝15min，得到一个时段内的短期预测值，例如，采用一阶自回归模型得到X_cpu(t)＝b₁₁X_cpu(t-1)+b₁₂X_mem(t-1)+β_cpuε(t)，X_mem(t)＝b₂₁X_cpu(t-1)+b₂₂X_mem(t-1)+β_memε(t)，其中X_cpu、X_mem分别表示CPU和内存的使用量，ε(t)为白噪声，b₁₁、b₁₂、b₂₁、b₂₂为调整因子；

步骤2，根据集中式基带处理池负载预测得到的结果，所述虚拟机管理模块适当地调整虚拟机队列，其中

步骤2.1，若剩余资源不足则添加新的虚拟机到虚拟机队列中，否则关闭闲置的虚拟机；

步骤2.2，监控开启的虚拟机队列的物理资源(CPU、内存和带宽)的平均利用率 $(1/N){\mathrm{\Σ}}_{J=1}^N({\mathrm{\ω}}_{\mathrm{cpu}}{r}_{\mathrm{cpu},j}+{\mathrm{\ω}}_{\mathrm{mem}}{r}_{\mathrm{mem},j}+{\mathrm{\ω}}_{\mathrm{bwd}}{r}_{\mathrm{bwd},j}),$ 其中，N表示集中式基带处理池中处于使用状态的虚拟机数目，ω表示每种资源的优先级，r_cpu,j、r_mem,j、r_bwd,j分别表示虚拟机j在CPU、内存和带宽上的资源利用率(即已使用资源与总资源的比值)，r_th,cpu、r_th,mem、r_th,bwd分别表示虚拟机所能承受的不同资源利用率的标准上限，ω_cpu＝r_th,cpu-r_cpu,j，ω_mem＝r_th,mem-r_mem,j，ω_bwd＝r_th,bwd-r_bwd,j，当开启的虚拟机队列的平均利用率低于所设定的预阈值时，使用智能搜索算法，例如遗传算法，将所有正在运行的虚拟机重新分配给任务，从而尽可能地使任务集中运行，使剩余的物理资源可以接收更多的任务请求，若开启的虚拟机队列的平均利用率高于所设定的阈值，则添加新的虚拟机进入所述虚拟机队列以增加物理资源量；

步骤3，所述任务/业务管理模块把当前等待处理的任务按照需求的带宽资源分为K类，并按照占用带宽高的类到占用带宽低的类进行排序，任务的放置约束为 $\max \left\{\mathrm{dis}\tan \mathrm{ce}({\mathrm{VM}}_{i1},{\mathrm{VM}}_{i2})\right\}\·\stackrel{\‾}{T}\≤d_i\·\stackrel{\‾}{T}=T_i,\∀i$ 其中distance(VM_i1,VM_i2)表示为任务i服务的虚拟机VM₁与VM₂之间通信传输交换的次数，T为不同虚拟机之间每次交换的平均时延，T_i为任务可以容忍的最大时延，而交换的次数越多，占用的链路带宽就越大，因此有高带宽需求的任务应该尽量加载到邻近的虚拟机上，以减少需要交换的次数；

步骤4，当任务向虚拟机管理器发送请求的时候，所述任务/业务调度模块根据任务在CPU和内存方面的需求，在可用的虚拟机队列中查找当前虚拟机资源是否可以满足任务请求，其中

步骤4.1，如果可以满足，那么将该虚拟机分配给这个任务；如果不可以被满足，那么重新开启一个虚拟机，并将新的虚拟机加入所述虚拟机队列；

步骤4.2，当任务请求完成，向虚拟机发送释放请求时，更新虚拟机剩余资源，销毁闲置的虚拟机；

步骤5，更新所述虚拟机队列以及所述任务队列。

对于本领域的技术人员来说，可根据以上技术方案以及构思，做出其它各种相应的改变和变形，而所有的这些改变和变形都应该属于本发明权利要求的保护范围之内。

Claims (4)

1.一种C-RAN网络中的资源分配系统及任务/业务调度方法，其特征在于，所述一种C-RAN网络中的资源分配系统包括集中式基带处理池负载预测模块、虚拟机队列、虚拟机管理模块、任务/业务调度模块、任务/业务管理模块和任务队列，其中：

所述集中式基带处理池负载预测模块预测集中式基带处理池中工作负载的波动区间，并把预测的结果汇报给所述虚拟机管理模块，提供虚拟机添加或删除的依据；所述虚拟机队列维护和监控所有虚拟机的状态，给任务/业务调度模块提供调度依据；所述虚拟机管理模块监控所述虚拟机队列中物理资源(如CPU、内存和带宽)的平均利用率；所述任务/业务调度模块，根据特定任务的应用请求，在可用的虚拟机队列中找到满足调度目标的虚拟机并将其分配给该任务；所述任务/业务管理模块根据任务的服务质量特性对其进行分类处理，得到不同任务关于虚拟机位置的放置约束条件；任务加载在不同虚拟机上的时候，可能会涉及数据交换，此时需要占用系统内部带宽，为了避免底层网络通信链路的拥塞，最小化通信负载，也就是要尽量减少为任务队列服务的所有虚拟机之间数据交换的次数；所述任务队列管理分类后的任务请求，即按照先后到达顺序排列，等待任务/业务调度模块的处理。

2.根据权利要求1所述的一种C-RAN网络中的资源分配系统及任务/业务调度方法，其特征在于，所述任务/业务调度方法包括如下步骤：

步骤1，到达预测时间点时，所述集中式基带处理池负载预测模块进行负载预测过程，具体步骤为：

步骤1.1，利用远端无线射频单元小区负载量在时间上的周期性变化规律得到长期预测平均值，即以T₁为预测时间点，找到每个远端无线射频单元小区工作负载的统计范围，得到一个负载量的平均参数；

步骤1.2，如果到达预测时间点，则进行负载预测过程，否则保持虚拟机的配置不变；

步骤1.3，比较预测点的平均负载情况和前一时刻的负载情况，如果为上升趋势，需调整增加值，即下一时刻负载为平均负载加上短期修正值；如果为下降趋势，需调整减小值，即下一时刻负载为平均负载减去短期修正值；

步骤1.4，利用动态趋势预测的策略得到短期的修正值，以T₂为预测的基本时间段，得到T₂时段内的短期预测值，用以修正长期负载预测的结果；

步骤2，所述虚拟机管理模块根据集中式基带处理池负载预测得到的结果，动态地调整虚拟机队列，其中：

步骤2.1，若剩余资源不足则添加新的虚拟机到虚拟机队列中，否则关闭闲置的虚拟机；

步骤2.2，监控开启的虚拟机队列的物理资源(CPU、内存和带宽)的平均利用率 $(1/N){\mathrm{\Σ}}_{J=1}^N({\mathrm{\ω}}_{\mathrm{cpu}}{r}_{\mathrm{cpu},j}+{\mathrm{\ω}}_{\mathrm{mem}}{r}_{\mathrm{mem},j}+{\mathrm{\ω}}_{\mathrm{bwd}}{r}_{\mathrm{bwd},j}),$ 其中，N表示集中式基带处理池中处于使用状态的虚拟机数目，ω表示每种资源的权重，用于均衡多维的资源利用率，避免某一种资源占用率高，其中，r_cpu,j、r_mem,j、r_bwd,j分别表示虚拟机j在CPU、内存和带宽上的资源利用率(即已使用资源与总资源的比值)，r_th,cpu、r_th,mem、r_th,bwd分别表示虚拟机所能承受的不同资源利用率的标准上限，ω_cpu＝r_th,cpu-r_cpu,j，ω_mem＝r_th,mem-r_mem,j，ω_bwd＝r_th,bwd-r_bwd,j，当开启的虚拟机队列的平均利用率低于所设定的预阈值时，使用智能优化方法更新虚拟机的分配方式，从而尽可能地使用户任务集中运行，使剩余的物理资源可以接收更多的任务请求，若开启的虚拟机队列的平均利用率高于所设定的阈值，则添加新的虚拟机进入虚拟机队列以增加物理资源量；

步骤3，所述任务/业务管理模块把当前等待处理的任务按照需求的带宽资源分为K类，并按照占用带宽高的类到占用带宽低的类进行排序，用distance(VM_i1,VM_i2)表示为任务i服务的虚拟机VM₁与VM₂之间通信传输交换的次数，交换的次数越多，占用的链路带宽就越大，因此有高带宽需求的任务应该尽量加载到邻近的虚拟机上，以减少需要交换的次数；

步骤4，当任务向所述虚拟机管理器发送请求的时候，所述任务/业务调度模块根据任务在CPU和内存方面的需求，在可用的虚拟机队列中查找当前虚拟机资源是否可以满足任务请求，其中：

步骤4.1，如果可以满足，那么将该虚拟机分配给这个任务；如果不可以被满足，那么重新开启一个虚拟机，并将新的虚拟机加入虚拟机队列；

步骤4.2，当任务请求完成，向虚拟机发送释放请求时，更新虚拟机剩余资源，销毁闲置的虚拟机；

步骤5，更新所述虚拟机队列以及任务队列。

3.根据权利要求2所述的任务/业务调度方法，其特征在于，所述步骤1中的短期预测模型只包括虚拟机独有的CPU和内存，即：

X_cpu(t)＝b₁₁X_cpu(t-1)+b₁₂X_mem(t-1)+β_cpuε(t)

X_mem(t)＝b₂₁X_cpu(t-1)+b₂₂X_mem(t-1)+β_memε(t)

其中X_cpu、X_mem分别表示CPU和内存的使用量，ε(t)为白噪声，b₁₁、b₁₂、b₂₁、b₂₂为调整因子；比较预测点的平均负载情况和前一时刻的负载情况，如果为上升趋势，需调整增加值，即下一时刻负载为平均负载加上短期修正值；如果为下降趋势，需调整减小值，即下一时刻负载为平均负载减去短期修正值。

4.根据权利要求2所述的任务/业务调度方法，其特征在于，所述步骤3中的任务放置约束条件表达式为：

$\max \left\{\mathrm{dis}\tan \mathrm{ce}({\mathrm{VM}}_{i1},{\mathrm{VM}}_{i2})\right\}\·\stackrel{\‾}{T}\≤d_i\·\stackrel{\‾}{T}=T_i,\∀i$

其中，不同虚拟机之间每次交换的平均时延为T，T_i为任务可以容忍的最大时延；在处理任务映射的时候，d_i也可以作为一个虚拟机放置的上限，通过调节d_i的大小来实现链路负载和资源利用率的平衡。