CN103957261A - 一种基于能耗优化的云计算资源分配的方法 - Google Patents

Abstract

本发明公开了一种基于能耗优化的云计算资源分配的方法，包括：部署云计算实验平台；进行云计算资源分配描述与建模；选择不同能耗优化因素；进行仿真平台构建；对性能进行测试实验；模型修正；性能仿真实验；确定性能分析模型和确定关键因素；研究云计算环境下资源分配的能耗优化模型；设计实现负载均衡和满足能量消耗最小化的启发式资源分配算法；性能仿真与测试实验。本发明能够准确而真实地反映云计算环境下资源的实际情况。提出一种能耗优化模型，突破现有的研究方法只考虑用户任务时间需求的局限。此外，本发明提出了实现资源负载均衡、兼容能耗优化的启发式资源分配算法，突破现有的资源分配算法无法保证全局和局部搜索平衡的局限。

Description

一种基于能耗优化的云计算资源分配的方法

技术领域

本发明属于计算机信息化技术领域，尤其涉及一种基于能耗优化的云计算资源分配的方法。

背景技术

近几年，随着信息技术在各个领域的广泛应用，对于大规模且低成本的计算能力的需求越来越迫切，同时，网络带宽的不断增长使得通过网络访问异地的计算资源的条件越来越成熟，云计算技术就是在这样的背景下应运而生，云计算是分布式计算、网格计算和效用计算的进一步发展，是以网络为载体，以虚拟化技术为基础，根据用户需求动态配置资源的新兴计算模式，随着计算服务向普适化方向发展，社会对云计算需求的不断扩大需要构建规模巨大的数据中心，而维护其运行需要大量的能量，如何在保证云计算系统高性能以及为用户提供普适化服务的前提下，提高资源利用率和降低能耗已经成为亟待解决的问题；

尽管国内外学者在上述领域开展了有效的科研工作，但云计算环境下资源分配问题仍然存在以下的不足之处：

(1)资源分配问题作为云计算的关键技术之一还处于研究阶段，到目前为止关于影响资源分配的关键技术，资源分配与任务调度之间相互协同和依赖关系等问题还没有形成统一的行业标准；

(2)云计算环境下资源分配过程中的能量消耗受诸多因素的影响，建立有效的数学模型对其性能进行深入分析，并从本质上揭示CPU动态功耗与资源的计算能力、资源的供应电压策略、资源的数量、供应电压、CPU频率之间的内在关系，以及影响系统性能的关键因素至关重要；

(3)根据用户的需求和当前资源节点的负载状态，在满足云计算系统的负载均衡和能耗最小化的前提下，如何通过智能优化算法(如免疫算法)设计一种科学合理的启发式资源分配算法有待于进一步深入研究。

现有在云计算系统高性能以及为用户提供普适化服务的前提下，提高资源利用率和降低能耗已经成为亟待解决的问题；

发明内容

本发明实施例的目的在于提供一种基于能耗优化的云计算资源分配的方法，旨在解决提高资源利用率和降低能耗已经成为亟待解决的问题。

本发明实施例是这样实现的，一种基于能耗优化的云计算资源分配的方法，该基于能耗优化的云计算资源分配的方法包括以下步骤：

部署云计算实验平台；进行云计算资源分配描述与建模；选择不同能耗优化因素；进行仿真平台构建；对性能进行测试实验；模型修正；性能仿真实验；确定性能分析模型和确定关键因素；研究云计算环境下资源分配的能耗优化模型；设计实现负载均衡和满足能量消耗最小化的启发式资源分配算法；性能仿真与测试实验；

将资源分配算法的编码方式表示为E，适应度函数为F，选择操作为S，交叉操作为C，变异操作为M，则可以描述为FBGSA＝(E,F,S,C,M)；

如果算法的第t代群体表示为P(t),则算法选择操作S定义如下：

$S\left(P\left(t\right)\right)=\left\{x\right|\∀y\∈P\left(t\right),F\left(x\right)\≥F\left(y\right),x\∈P\left(t\right)\}$

操作步骤如下：

在解空间中随机产生初始种群P(0)＝{x₁,x₂,...,x_i,...,x_Size}，并初始化种群规模Size、交叉概率p_c、变异概率P_m和最大进化代数G_m，进化代数t；

计算种群中每个个体的适应度值F(x_i),i＝1,2,...,Size；

对种群P(t)进行选择操作；

对种群P(t)进行交叉操作；

对种群P(t)进行变异操作；

令t＝t+1，如果t≤G_m，则跳转到计算种群中每个个体的适应度值F(x_i),i＝1,2,...,Size；否则，算法搜索过程结束。

进一步，该基于能耗优化的云计算资源分配的方法资源的属性描述与性能分析方法为：

将资源r_i定义为二元组r_i＝{c_i,sⁱ}，其中c_i表示资源r_i单位时间内的计算能力，如单位时间内资源执行指令数；sⁱ表示资源r_i的供应电压策略，每种策略供电电压不同，用来衡量资源节点的计算能力主要参数包括CPU的个数m，处理能力p以及所处网络的带宽B，决定任务从分配到传送到资源节点所用时间，同时还要引入一个负载均衡因子LB，即资源的负载完成率，LB＝La/Lf，其中La表示完成的任务量，Lf表示分配到的任务计算量之和。

进一步，该基于能耗优化的云计算资源分配的方法任务的属性描述与性能分析方法为：

随机到达云计算系统的任务描述为集合T＝{t₁,t₂,...,t_j,...,t_n}，t_j表示第j个任务，t_j定义为二元组t_j＝{a_j,w_j}，其中，a_j表示任务单位时间内平均到达数量，w_j表示任务t_j的计算量或工作负载，根据任务计算量及资源计算能力，任务t_j在资源r_i上执行所需时间ETC(i,j)为：

进一步，该基于能耗优化的云计算资源分配的方法构建能耗优化模型的方法为：

动态功耗是由各节点电容的充放电造成的，其基本表达式为：P＝A×C×v²×f，其中，A表示一个周期内的电路平均跳变次数，称为翻转频率，与充放电频率有关；C表示负载电容，是线长和晶体管尺寸的函数；v表示供电电压；f表示工作频率，当资源r_i供应电压策略为sⁱ、DVS级别为k时，资源r_i执行任务t_j时产生能耗为：E_ijl＝r×[(v_k(i))_j]²×(f_k(i))_j×f×ETC'[i,j,k]。

进一步，该基于能耗优化的云计算资源分配的方法构建多目标效用函数方法为：

结合云计算环境下所有资源产生的总能耗、资源负载平衡因子和时间跨度等因素，设计一个多目标效用函数，并引入一种基于免疫算法的资源分配算法，实现所有资源综合效用的提升。

进一步，交叉操作实现步骤如下：

根据交叉概率p_c从种群P(t)中随机选择两个个体x和y；

随机生成变量c₁＝random(1,m)，m为染色体长度，1≤c₁≤m；

令如果i＝1，令i＝i+1，如果i＝m，令i＝i-1；

将个体x和y的前i位进行互换。

进一步，变异操作实现步骤如下：

根据变异概率p_m从种群P(t)中随机选择个体x；

随机生成两个变量m₁＝random(1,m)，m₂＝random(1,m)，m为染色体长度，1≤m₁,m₂≤m；

令如果i＝j，令j＝j+1；

将个体x的第i和j基因进行对调。

本发明提供的基于能耗优化的云计算资源分配的方法，通过提出云计算环境下资源属性描述与定量分析的新思路，突破现在的分析方法只考虑资源的计算能力和通信能力的局限。本发明采用计算能力和供应电压策略相结合的方式描述资源属性，供应电压策略根据DVS技术划分不同的级别，并设计了供应电压与频率的关系矩阵。本发明能够准确而真实地反映云计算环境下资源的实际情况。提出一种能耗优化模型，突破现有的研究方法只考虑用户任务时间需求的局限。此外，本发明提出了实现资源负载均衡、兼容能耗优化的启发式资源分配算法，突破现有的资源分配算法无法保证全局和局部搜索平衡的局限。

附图说明

图1是本发明实施例提供的基于能耗优化的云计算资源分配的方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1示出了本发明提供的基于能耗优化的云计算资源分配的方法流程。为了便于说明，仅仅示出了与本发明相关的部分。

本发明的基于能耗优化的云计算资源分配的方法，该基于能耗优化的云计算资源分配的方法包括以下步骤：

云计算实验平台部署；云计算资源分配描述与建模；不同能耗优化因素选择；仿真平台构建；性能测试实验；模型修正；性能仿真实验；确定性能分析模型和确定关键因素；研究云计算环境下资源分配的能耗优化模型；设计实现负载均衡和满足能量消耗最小化的启发式资源分配算法；性能仿真与测试实验。

作为本发明实施例的一优化方案，该基于能耗优化的云计算资源分配的方法资源的属性描述与性能分析方法为：

将资源r_i定义为二元组r_i＝{c_i,sⁱ}，其中c_i表示资源r_i单位时间内的计算能力，如单位时间内资源执行指令数；sⁱ表示资源r_i的供应电压策略，每种策略供电电压不同，用来衡量资源节点的计算能力主要参数包括CPU的个数m，处理能力p以及所处网络的带宽B，决定任务从分配到传送到资源节点所用时间，同时还要引入一个负载均衡因子LB，即资源的负载完成率，LB＝La/Lf，其中La表示完成的任务量，Lf表示分配到的任务计算量之和。

作为本发明实施例的一优化方案，该基于能耗优化的云计算资源分配的方法任务的属性描述与性能分析方法为：

随机到达云计算系统的任务描述为集合T＝{t₁,t₂,...,t_j,...,t_n}，t_j表示第j个任务。t_j定义为二元组t_j＝{a_j,w_j}，其中，a_j表示任务单位时间内平均到达数量，w_j表示任务t_j的计算量或工作负载，根据任务计算量及资源计算能力，任务t_j在资源r_i上执行所需时间ETC(i,j)为：

作为本发明实施例的一优化方案，该基于能耗优化的云计算资源分配的方法构建能耗优化模型的方法为：

动态功耗是由各节点电容的充放电造成的，其基本表达式为：P＝A×C×v²×f，其中，A表示一个周期内的电路平均跳变次数，称为翻转频率，与充放电频率有关；C表示负载电容，是线长和晶体管尺寸的函数；v表示供电电压；f表示工作频率，当资源r_i供应电压策略为sⁱ、DVS级别为k时，资源r_i执行任务t_j时产生能耗为：E_ijl＝r×[(v_k(i))_j]²×(f_k(i))_j×f×ETC'[i,j,k]。

作为本发明实施例的一优化方案，该基于能耗优化的云计算资源分配的方法构建多目标效用函数方法为：

结合云计算环境下所有资源产生的总能耗、资源负载平衡因子和时间跨度等因素，设计一个多目标效用函数，并引入一种基于免疫算法的资源分配算法，实现所有资源综合效用的提升。

下面结合附图及具体实施例对本发明的应用原理作进一步描述。

如图1所示，本发明实施例的基于能耗优化的云计算资源分配的方法包括以下步骤：

S101：云计算实验平台部署；

S102：云计算资源分配描述与建模；

S103：不同能耗优化因素选择；

S104：仿真平台构建；

S105：性能测试实验；

S106：模型修正；

S107：性能仿真实验；

S108：确定性能分析模型和确定关键因素；

S109：研究云计算环境下资源分配的能耗优化模型；

S110：设计实现负载均衡和满足能量消耗最小化的启发式资源分配算法；

S111：性能仿真与测试实验。

本发明的具体步骤为：

本发明基于能耗优化的云计算资源分配的方法，其特征在于，该基于能耗优化的云计算资源分配的方法包括以下步骤：

部署云计算实验平台；进行云计算资源分配描述与建模；选择不同能耗优化因素；进行仿真平台构建；对性能进行测试实验；模型修正；性能仿真实验；确定性能分析模型和确定关键因素；研究云计算环境下资源分配的能耗优化模型；设计实现负载均衡和满足能量消耗最小化的启发式资源分配算法；性能仿真与测试实验；

将资源分配算法的编码方式表示为E，适应度函数为F，选择操作为S，交叉操作为C，变异操作为M，则可以描述为FBGSA＝(E,F,S,C,M)；

如果算法的第t代群体表示为P(t),则算法选择操作S定义如下：

$S\left(P\left(t\right)\right)=\left\{x\right|\∀y\∈P\left(t\right),F\left(x\right)\≥F\left(y\right),x\∈P\left(t\right)\}$

操作步骤如下：

在解空间中随机产生初始种群P(0)＝{x₁,x₂,...,x_i,...,x_Size}，并初始化种群规模Size、交叉概率p_c、变异概率P_m和最大进化代数G_m，进化代数t；

计算种群中每个个体的适应度值F(x_i),i＝1,2,...,Size；

对种群P(t)进行选择操作；

对种群P(t)进行交叉操作；

对种群P(t)进行变异操作；

令t＝t+1，如果t≤G_m，则跳转到计算种群中每个个体的适应度值F(x_i),i＝1,2,...,Size；否则，算法搜索过程结束。

交叉操作实现步骤如下：

根据交叉概率p_c从种群P(t)中随机选择两个个体x和y；

随机生成变量c₁＝random(1,m)，m为染色体长度，1≤c₁≤m；

令如果i＝1，令i＝i+1，如果i＝m，令i＝i-1；

将个体x和y的前i位进行互换。

变异操作实现步骤如下：

根据变异概率p_m从种群P(t)中随机选择个体x；

随机生成两个变量m₁＝random(1,m)，m₂＝random(1,m)，m为染色体长度，1≤m₁,m₂≤m；

令如果i＝j，令j＝j+1；

将个体x的第i和j基因进行对调。

本发明首先建立云计算资源分配的能耗优化模型，资源分配中的能耗优化性能受到诸多关系密切、互相关联、相互制约因素的影响，这些因素之间的内在关系非常复杂，很难完全准确、完整地利用数学公式表达，因此，采用层次化的结构模型与多目标优化相结合的设计方法，建立既能够准确而真实地反映云计算环境下资源分配的实际情况，又适宜于数值求解的多因素数学模型是本课题的关键问题之一，其次，设计基于免疫算法的启发式资源分配算法。寻求具有资源负载均衡、时间跨度最小化的分配策略，研究具有能耗最优化、全局和局部搜索平衡的启发式算法，是云计算平台提高资源利用率与高效节能的重要前提，在兼容现有Map/Reduce编程模型的前提下，设计支持异构资源迁移、实现资源负载均衡、提高资源利用率、满足能量消耗最小化、具有全局和局部搜索平衡的优化算法。

本发明的资源分配和任务调度是云计算的两大关键技术，资源分配是根据一定的规则和需求在不同的资源使用者之间进行资源的调整，即调整资源使用者所对应的计算任务的资源使用量，或者进行计算任务的迁移，达到负载均衡的目的，为了更加详细真实地反映云计算环境，研究资源分配与任务调度之间相互协同和依赖关系，本发明必须对云计算环境下资源和任务的属性以及关键技术进行深入研究。

目前云计算环境下资源分配的目标是提供高效的执行来满足SLA(ServiceLevel Agreement，SLA)，而没有把精力集中在通过如何部署资源节点来实现能耗最小化，为了探索执行效率和能耗优化，三个关键问题需要处理：

1、资源应该结合计算能力和供应电压策略两方面的因素进行描述。资源的计算能力可以用MIPS表示，MIPS描述的是资源每秒钟可以执行百万指令数，资源的供应电压策略可以通过DVS(Dynamic Voltage Scaling，DVS)技术进行描述；

2、任务的描述应该考虑单位时间内平均到达数量和计算量，计算量可以通过任务的总指令数进行描述；

3、要充分考虑资源的负载完成率，它的数值采用已经完成的任务量和分配的任务量之比。

为了揭示云计算环境下资源分配过程中CPU动态功耗的定量表示关系，必须先弄清楚资源的计算能力、资源的供应电压策略、资源的数量、供应电压、CPU频率等方面的影响，在数据中心中能量被认为是计算机节点的CPU、内存、磁盘、网络接口等设备消耗掉的，与系统中的其它资源相比较，CPU的能量消耗占据主要的部分，因此，本发明资源分配过程的能耗优化即CPU节能，在不考虑散热系统的情况下，资源分配过程的能量消耗是数据中心最大的能量消耗。所以建立CPU功耗模型是本发明工作的前提，CMOS电路的功耗由静态功耗和动态功耗两部分组成，其中，静态功耗是CMOS电路工作时固有的功率消耗，所以如何在保证性能的情况下降低动态功耗是最重要的。

本发明将充分考虑云计算环境下资源分配自身的特征以及能耗优化带来的新特点，拟采用层次化的结构模型方法，建立资源负载均衡模型、动态功耗模型、资源能耗优化模型，并通过免疫算法建立资源分配优化模型，将云计算资源分配问题转化为多目标优化问题，通过定量分析它们内在关系，试图将其分解并归结为几个关键因素，然后，研究这些关键因素与云计算相关性能之间的数学表达式，建立性能分析模型，在性能分析的基础上，将云计算资源分配过程中的能耗优化问题建模为一个多目标优化模型，并采用免疫算法求解该模型，联合时间跨度、负载均衡与能耗构建算法，解决免疫算法的稳定性和冗余性问题。

本发明的具体实施例：

本发明拟采用理论分析、仿真验证及实际部署相结合的方法进行研究。云计算资源分配的关键技术分析建模，将采用下面的技术路线和研究方法深入展开：

1、资源的属性描述与性能分析

将资源r_i定义为二元组r_i＝{c_i,sⁱ}，其中c_i表示资源r_i单位时间内的计算能力，如单位时间内资源执行指令数；sⁱ表示资源r_i的供应电压策略，每种策略供电电压不同，用来衡量资源节点的计算能力主要参数包括CPU的个数m，处理能力p(MIPS)以及其所处网络的带宽B(决定任务从分配到传送到资源节点所用时间)，同时还要引入一个负载均衡因子LB，即资源的负载完成率，LB＝La/Lf，其中La表示完成的任务量，Lf表示分配到的任务计算量之和。

2、任务的属性描述与性能分析

随机到达云计算系统的任务描述为集合T＝{t₁,t₂,...,t_j,...,t_n}，t_j表示第j个任务。t_j定义为二元组t_j＝{a_j,w_j}，其中，a_j表示任务单位时间内平均到达数量，w_j表示任务t_j的计算量或工作负载。根据任务计算量及资源计算能力，任务t_j在资源r_i上执行所需时间ETC(i,j)为：

3、构建能耗优化模型

动态功耗是由各节点电容的充放电造成的，其基本表达式为：P＝A×C×v²×f，其中，A表示一个周期内的电路平均跳变次数，称为翻转频率，与充放电频率有关；C表示负载电容，是线长和晶体管尺寸的函数；v表示供电电压；f表示工作频率。当资源r_i供应电压策略为sⁱ、DVS级别为k时，资源r_i执行任务t_j时产生能耗为：E_ijl＝r×[(v_k(i))_j]²×(f_k(i))_j×f×ETC'[i,j,k]。

4、构建多目标效用函数

结合云计算环境下所有资源产生的总能耗、资源负载平衡因子和时间跨度等因素，设计一个多目标效用函数，并引入一种基于免疫算法的资源分配算法，实现所有资源综合效用的提升。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于能耗优化的云计算资源分配的方法，其特征在于，该基于能耗优化的云计算资源分配的方法包括以下步骤：

部署云计算实验平台；进行云计算资源分配描述与建模；选择不同能耗优化因素；进行仿真平台构建；对性能进行测试实验；模型修正；性能仿真实验；确定性能分析模型和确定关键因素；研究云计算环境下资源分配的能耗优化模型；设计实现负载均衡和满足能量消耗最小化的启发式资源分配算法；性能仿真与测试实验；

将资源分配算法的编码方式表示为E，适应度函数为F，选择操作为S，交叉操作为C，变异操作为M，则可以描述为FBGSA＝(E,F,S,C,M)；

如果算法的第t代群体表示为P(t),则算法选择操作S定义如下：

操作步骤如下：

在解空间中随机产生初始种群P(0)＝{x₁,x₂,...,x_i,...,x_Size}，并初始化种群规模Size、交叉概率p_c、变异概率P_m和最大进化代数G_m，进化代数t；

计算种群中每个个体的适应度值F(x_i),i＝1,2,...,Size；

对种群P(t)进行选择操作；

对种群P(t)进行交叉操作；

对种群P(t)进行变异操作；

令t＝t+1，如果t≤G_m，则跳转到计算种群中每个个体的适应度值F(x_i),i＝1,2,...,Size；否则，算法搜索过程结束。

2.如权利要求1所述的基于能耗优化的云计算资源分配的方法，其特征在于，该基于能耗优化的云计算资源分配的方法资源的属性描述与性能分析方法为：

将资源r_i定义为二元组r_i＝{c_i,sⁱ}，其中c_i表示资源r_i单位时间内的计算能力，如单位时间内资源执行指令数；sⁱ表示资源r_i的供应电压策略，每种策略供电电压不同，用来衡量资源节点的计算能力主要参数包括CPU的个数m，处理能力p以及所处网络的带宽B，决定任务从分配到传送到资源节点所用时间，同时还要引入一个负载均衡因子LB，即资源的负载完成率，LB＝La/Lf，其中La表示完成的任务量，Lf表示分配到的任务计算量之和。

3.如权利要求1所述的基于能耗优化的云计算资源分配的方法，其特征在于，该基于能耗优化的云计算资源分配的方法任务的属性描述与性能分析方法为：

随机到达云计算系统的任务描述为集合T＝{t₁,t₂,...,t_j,...,t_n}，t_j表示第j个任务，t_j定义为二元组t_j＝{a_j,w_j}，其中，a_j表示任务单位时间内平均到达数量，w_j表示任务t_j的计算量或工作负载，根据任务计算量及资源计算能力，任务t_j在资源r_i上执行所需时间ETC(i,j)为：

4.如权利要求1所述的基于能耗优化的云计算资源分配的方法，其特征在于，该基于能耗优化的云计算资源分配的方法构建能耗优化模型的方法为：

动态功耗是由各节点电容的充放电造成的，其基本表达式为：P＝A×C×v²×f，其中，A表示一个周期内的电路平均跳变次数，称为翻转频率，与充放电频率有关；C表示负载电容，是线长和晶体管尺寸的函数；v表示供电电压；f表示工作频率，当资源r_i供应电压策略为sⁱ、DVS级别为k时，资源r_i执行任务t_j时产生能耗为：E_ijl＝r×[(v_k(i))_j]²×(f_k(i))_j×f×ETC'[i,j,k]。

5.如权利要求1所述的基于能耗优化的云计算资源分配的方法，其特征在于，该基于能耗优化的云计算资源分配的方法构建多目标效用函数方法为：

结合云计算环境下所有资源产生的总能耗、资源负载平衡因子和时间跨度等因素，设计一个多目标效用函数，并引入一种基于免疫算法的资源分配算法，实现所有资源综合效用的提升。

6.如权利要求1所述的基于能耗优化的云计算资源分配的方法，其特征在于，交叉操作实现步骤如下：

根据交叉概率p_c从种群P(t)中随机选择两个个体x和y；

随机生成变量c₁＝random(1,m)，m为染色体长度，1≤c₁≤m；

令如果i＝1，令i＝i+1，如果i＝m，令i＝i-1；

将个体x和y的前i位进行互换。

7.如权利要求1所述的基于能耗优化的云计算资源分配的方法，其特征在于，变异操作实现步骤如下：

根据变异概率p_m从种群P(t)中随机选择个体x；

随机生成两个变量m₁＝random(1,m)，m₂＝random(1,m)，m为染色体长度，1≤m₁,m₂≤m；

令如果i＝j，令j＝j+1；

将个体x的第i和j基因进行对调。