CN116737320A - 基于ahp方法的云数据中心资源平衡感知的虚拟机放置策略 - Google Patents
基于ahp方法的云数据中心资源平衡感知的虚拟机放置策略 Download PDFInfo
- Publication number
- CN116737320A CN116737320A CN202310784865.0A CN202310784865A CN116737320A CN 116737320 A CN116737320 A CN 116737320A CN 202310784865 A CN202310784865 A CN 202310784865A CN 116737320 A CN116737320 A CN 116737320A
- Authority
- CN
- China
- Prior art keywords
- host
- virtual machine
- data center
- resource
- representing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000008447 perception Effects 0.000 title abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 49
- 238000013468 resource allocation Methods 0.000 claims abstract description 28
- 238000013507 mapping Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 abstract description 38
- 238000013508 migration Methods 0.000 description 41
- 230000005012 migration Effects 0.000 description 41
- 238000004422 calculation algorithm Methods 0.000 description 28
- 230000008569 process Effects 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009705 shock consolidation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开一种基于AHP方法的云数据中心资源平衡感知的虚拟机放置策略,包括:构造一个分层的模型;其中第一层为目标层,用于选择最合适的主机来承载被迁移的虚拟机;第二层为决策层,有三个决策标准:主机的功耗增加、主机的资源分配平衡率和主机的可用资源;第三层为被迁移的虚拟机;在构造的分层模型的基础上构造判断矩阵;所述判断矩阵为由上述三个决策标准组成的3×3矩阵;基于判断矩阵计算标准权重向量,并设置标准矩阵;基于标准权重向量和判断矩阵进行一致性检验,若一致性检验通过则基于标准权重向量和标准矩阵计算主机得分,并将虚拟机迁移至得分最高的主机。本发明在降低能耗的同时也降低了SLAV,保证了数据中心服务质量。
Description
技术领域
本发明涉及云计算技术领域,尤其涉及一种基于AHP方法的云数据中心资源平衡感知的虚拟机放置策略。
背景技术
云计算是为用户提供可以按需获取的弹性资源和架构,用户按需付费获得需要的计算资源,包括存储、数据库、服务器、应用软件及网络等,计算资源变得更加方便、便宜、快捷。凭借虚拟化技术的应用,多个云用户可以共享物理资源,同时云计算为云用户提供了动态扩展应用、平台和硬件基础设施。随着云用户数量的激增和数据中心规模的扩大。导致云数据中心能源消耗日益增加,这不断提高了数据中心的运营成本。数据中心运行产生的热量需要消耗能源运行冷却系统来抵消,研究表明2018年数据中心的用电量估计为1980亿千瓦时,约等于全球电力总需求的1%,据报道,截止到目前为止,云数据中心已经使用了世界所有电力资源得7%,总运营成本在一个大型数据中心的年电力成本中约占41%。云数据中心消耗能源最终以二氧化碳方式排除从而影响全球变暖、臭氧消耗等环境污染。同时现在主流的虚拟机放置策略为了达到降低能耗的目的,易导致服务水平协议违约率(SLAV)和虚拟机迁移次数的激增。因此实现数据中心高服务质量低能耗绿色发展,是我们亟待的研究目标。
动态虚拟机整合(DVMC)是降低云数据中心能耗提升服务质量(qos)的有效途径,它通过虚拟机的迁移和放置调整各物理机的负载水平,其目标是寻找一种合适的“虚拟机-物理机”映射关系,将尽可能多的虚拟机打包在一台主机上运行,并将欠载物理机切换到低功耗模式,减少资源碎片以节省能源并提高数据中心主机的资源利用率,提升数据中心的服务质量(QoS)。虚拟机动态放置策略(Virtual Machine Placement,VMP)(又名虚拟机动态调度)作为整合过程中最重要的操作之一,建立“虚拟机-物理机”之间的映射关系以实现不同的目标。然而,不当的虚拟机放置策略可能会增加额外的虚拟机迁移次数影响虚拟机的性能降低数据中心的服务质量。同时面向多个目标优化寻找主机与虚拟机的最佳映射关系是众所周知的NP-hard问题,性能保证的虚拟机放置策略应该能满足云提供商对数据中心的高能效、服务质量提升、避免额外的虚拟机迁移管理的愿景。
现有提出的虚拟机放置策略更多目标是优化数据中心能耗,通过将未使用的pm切换到空闲模式来最小化资源浪费并降低能源消耗。但是在高峰期虚拟机可能会面临资源短缺降低系统性能,并导致违反服务水平协议(SLA)。
发明内容
本发明针对上述问题,提出一种基于AHP方法的云数据中心资源平衡感知的虚拟机放置策略(AESVMP),综合考虑了主机的功耗增加、可用资源以及资源分配平衡率多个目标,在降低能耗的同时也降低了SLAV,保证了数据中心服务质量(qos)。
为了实现上述目的,本发明采用以下技术方案:
基于AHP方法的云数据中心资源平衡感知的虚拟机放置策略,包括:
步骤1:构造一个分层的模型;其中第一层为目标层,用于选择最合适的主机来承载被迁移的虚拟机;第二层为决策层,有三个决策标准:主机的功耗增加、主机的资源分配平衡率和主机的可用资源;第三层为被迁移的虚拟机;
步骤2:在构造的分层模型的基础上构造判断矩阵;所述判断矩阵为由上述三个决策标准组成的3×3矩阵;
步骤3:基于判断矩阵计算标准权重向量,并设置标准矩阵;
步骤4:基于标准权重向量和判断矩阵进行一致性检验,若一致性检验通过则基于标准权重向量和标准矩阵计算主机得分,并将虚拟机迁移至得分最高的主机。
进一步地,还包括:对主机列表和需要迁移的虚拟机列表进行筛选;具体包括:
将过载主机和关闭主机排除;
再次将可用虚拟机进行筛选,以满足主机的可用资源大于虚拟机需求的条件。
进一步地,按照以下方式计算主机的功耗增加:
powerDiffi=Poweri afterVm-Poweri original
其中powerDiffi表示第i个主机在放置虚拟机后的功耗增加,i∈<1,M>,M表示主机总个数,Poweri original和Poweri afterVm分别表示第i个主机在放置虚拟机之前和之后的功耗。
进一步地,按照以下方式计算主机的资源分配平衡率:
其中表示第i个主机的资源分配平衡率,/>分别表示第i个主机的总资源平面/>和第i个主机的分配资源平面/>的法向量;式中:
其中分别表示第i个主机的CPU、RAM、BW分别对应的分配资源平面;/>分别表示第i个主机的CPU、RAM、BW分别对应的总资源平面;CPU、RAM、BW分别表示CPU、内存和带宽对应的具体数值。
进一步地,按照以下方式计算主机的可用资源:
其中ARi表示第i个主机的可用资源,Xij代表第j个虚拟机和第i个主机之间的映射关系,代表第j个虚拟机的CPU资源利用率,/>代表第i个主机的CPU可用资源。
进一步地,所述步骤3包括:
计算判断矩阵每行乘积的m次方,得到一个m维权重向量;将得到的权重向量标准化,得到标准权重向量W;
设置标准矩阵
进一步地,按照以下方式计算主机得分:
scoreHosti=W*CriterionT
其中scoreHosti表示第i个主机的得分。
与现有技术相比,本发明具有的有益效果:
本发明考虑了虚拟化云环境中真实PlanetLab工作负载的能耗感知虚拟机放置模型。实现了在优化能源消耗的同时降低数据中心SLAV、ESV和减少虚拟机迁移数量的目标。为了实现这些目标,提出了基于AHP(层次分析法)方法的云数据中心资源平衡感知的虚拟机放置策略,综合考虑了主机的功耗增加、可用资源以及资源分配平衡率多个目标,在降低能耗的同时也降低了SLAV,保证了数据中心服务质量。与基准测试方法比较,数据中心能耗、虚拟机迁移数量分别优化了27.8%、94.25%。与LBVMP相比在基本相同的条件下,在虚拟机迁移数量、SLAV和ESV方面均有优化。总之,大量的实验结果验证了该方法的性能和有效性。
附图说明
图1为本发明实施例AHP完整应用过程;
图2为本发明实施例层次结构图;
图3为本发明实施例一种基于AHP方法的云数据中心资源平衡感知的虚拟机放置策略架构图;
图4为本发明实施例▲Servertotal和▲Serverallocated示例;
图5为本发明实施例PABFD中虚拟机放置算法和AESVMP分别结合MMT、MC的总能耗比较;
图6为本发明实施例PABFD中虚拟机放置算法和AESVMP分别结合MMT、MC的虚拟机迁移数量比较。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明:
一种基于AHP方法的云数据中心资源平衡感知的虚拟机放置策略,包括:
步骤1:构造一个分层的模型;其中第一层为目标层,用于选择最合适的主机来承载被迁移的虚拟机;第二层为决策层,有三个决策标准:主机的功耗增加、主机的资源分配平衡率和主机的可用资源;第三层为被迁移的虚拟机;
步骤2:在构造的分层模型的基础上构造判断矩阵;所述判断矩阵为由上述三个决策标准组成的3×3矩阵;
步骤3:基于判断矩阵计算标准权重向量,并设置标准矩阵;
步骤4:基于标准权重向量和判断矩阵进行一致性检验,若一致性检验通过则基于标准权重向量和标准矩阵计算主机得分,并将虚拟机迁移至得分最高的主机。
进一步地,进行如下具体阐述:
1基于AHP资源平衡分配的虚拟机放置策略
在本节中,我们制定了能源消耗模型和虚拟机迁移的开销,并介绍了多方案决策方法(层次分析法)AHP(Analytic Hierarchy Process)基础框架、提出平衡度计算的资源分配函数和基于AHP的虚拟机放置策略。
1.1AHP介绍
层次分析法,属于多属性决策模型,核心是把一个复杂问题分解成若干层次和若干影响因素,再把影响因素层次化和数据化,根据客观和主观的判断结构将每一层次的影响因素两两比较的重要性进行定量描述,然后利用数学方法计算每一层次元素的相对重要性次序的权重,再对所有层次之间的总排序计算所有元素的相对权重,最后对复杂问题找出最佳解决方案。
层次分析法模型应用过程如图1,大体步骤分为四步,首先层次结构模型的构建,确定指标体系。第二步构造判断矩阵。第三步是层次单排序和一致性检验,最后还有层次总排序和一致性检验。如图2,层次结构模型是将一个决策事件分解为目标层,准则层还有方案层。例如应用到虚拟机放置过程中,目标层Z代表选取放置主机,准则层(A1、A2...Am)代表影响选择主机的因素包括能耗增加、资源分配平衡率等,方案层(B1、B2...Bn)代表最终决策出的主机。
第二步,构造判断矩阵(1),把准则层的各个影响因素之间相互比较,使用Santy的1-9标度方法如表1,含义最后的小数点(.)的个数代表前者元素比后者元素影响的重要程度。
表1.Santy标度方法
表2.平均随机一致性指标R.I.取值表
第三步,层次单排序与一致性检验。
层次单排序是根据上一层因素,对本层的元素两两比较计算权重,计算方式有方根法及和积法。用公式(2)计算每行乘积的m次方,得到一个m维权重向量(非标准化)。用公式(3)将向量标准化(使得向量中各元素之和等于1)。求得权重矩阵(AW)之后用公式(4)计算最大特征根,m是维度数,AW是判断矩阵*标准化后的权重,然后按行累加。
计算出最大特征根λmax之后利用公式(5)计算一致性指标以进行一致性检验。
计算一致性比例C.R.如公式(6),其中R.I.取值于表2,表中的数据是Santy模拟1000次得到的随机一致性指标。计算出C.R.的值,当C.R.<0.1时,表明判断矩阵A的一致性程度被认为在容许的范围内,可以使用A的特征向量开展权向量计算。当C.R.≥0.1时,代表判断矩阵A的一致性不符合要求需要进行修正。第四步,层次总排序与一致性检验。层次总排序是确定某层所有因素对于总目标相对重要性的权值计算过程,是按照从最高层到做底层顺序进行,同层次单排序一样也需要一致性检验,最高层的层次单排序的结果就是总排序结果。
1.2能耗模型和虚拟机迁移开销
在云数据中心中,内存、CPU、冷却系统等其他设备都有大量的能源需求。其中CPU消耗得能源最多,大约占数据中心总消耗电力得61%,因此数据中心中主机的能耗和功耗是随CPU利用率的变化而变化,使用公式(7)计算主机的功耗(P(Ui))。其中Ui代表主机的CPU利用率,代表主机在CPU资源完全利用时的最大功耗,/>代表主机在休眠状态时最小功耗。
数据中心中主机的能耗(Ei)随CPU利用率变化的函数为公式(8),数据中心的总能源消耗(Etotal)是所有主机的能耗综合,如公式(9)。
当虚拟机迁移模块触发后,需要迁移的虚拟机可以在不挂起的条件下在虚拟机之间迁移。受迁移影响虚拟机的平均性能下降大概是虚拟机CPU利用率的10%。因此,虚拟机迁移的开销表示为如下:
其中,Ui(t)是虚拟机i在t时刻的CPU利用率,是虚拟机VMi的Ram资源请求量,是主机Pi的BW资源容量。
1.3本发明提出的模型
我们假设在数据中心包含一组异构主机(H=<h1,h2,h3,h4,...,hi,...,hM>,i∈<1,M>,M表示主机总个数),如图3所示(图中PM(Physical Machine)是代表数据中心的物理主机)。在本文中,主要考虑资源类型包含CPU、RAM、BW。每台主机还托管了多个虚拟机(V=<v1,v2,v3,v4,...,vj,...,vN>,j∈<1,N>,N表示虚拟机总个数),当用户向云提供商提交资源请求时,云数据中心将提供创建虚拟机的实时服务,虚拟机将在CPU、RAM、带宽方面消耗物理机的资源。我们使用Xij,VM和host之间的映射关系,定义如(12),物理机的高资源利用率将对虚拟机的工作性能产生很大影响,因为运行中的虚拟机为了满足其波动的工作负载的资源需求,会相互竞争主机的资源。我们引入平衡度资源分配函数来缓解该问题,当VMM(Virtual Machine Manager,虚拟机管理器)触发迁移时,与VMP通信,使用基于AHP(多维准则决策)资源平衡度感知的虚拟机放置策略去寻找合适的“虚拟机-物理机”之间的映射关系,以实现数据中心能耗、迁移数量、服务质量违约降低的目标。
其中Xij代表第j个虚拟机和第i个主机之间的映射关系,Xij为1表示第j个虚拟机放置在第i个主机,Xij为0表示第j个虚拟机没有放置在第i个主机。
1.3.1平衡度资源分配建模
CPU利用率占物理机能耗很大比例,RAM和BW与服务水平协议违约率(SLAV)密切相关。因此对于物理机中CPU、RAM、BW资源利用情况在一定程度上反映了对虚拟机的工作性能的影响。为了评估物理主机为待迁移虚拟机分配可用资源的平衡度主要考虑资源为CPU、内存和带宽。在三维资源空间如图4所示,主机i的分配资源平面根据公式(14)由实时的物理资源利用率而确定,总资源平面/>由主机i的总资源根据公式(13)确定。
其中分别表示第i个主机的CPU、RAM、BW分别对应的分配资源平面;/>分别表示第i个主机的CPU、RAM、BW分别对应的总资源平面;CPU、RAM、BW分别表示CPU、内存和带宽对应的具体数值。
如果主机的分配资源平面与主机的总资源平面的夹角越小,意味主机的资源分配越均衡。因此本文提出的平衡度资源分配函数计算/>和/>两平面的余弦值,第i个主机的资源分配的平衡与/>的值成反比,/>的值越小代表资源分配越均衡。我们假设关于平面/>和/>的法向量分别为/>因此/>的计算如下:
1.3.2第一步
首先,构建了一个分层的模型。第一个目标层是选择最好的合适的主机来承载被迁移的虚拟机,第二层表示决策层,有三个主要标准:功耗、资源分配平衡和可用资源,第三层指被迁移的虚拟机(VMj)。当VMM与VMP管理器进行通信时,VMP管理器模块根据以下三个标准执行VMP。
·主机的功耗增加(powerDiffi)
·主机的资源分配平衡率
·主机的可用资源(ARi)
虚拟机放置之后主机的功耗增加powerDiffi计算公式为(16),代表第i个主机在放置虚拟机之后的功耗增加量。
powerDiffi=Poweri afterVm-Poweri original i∈<1,M> (16)
其中Powri original和Poweri afterVm分别表示第i个主机在放置虚拟机之前和之后的功耗。
主机资源分配平衡率和可用资源计算方式如公式(15)和(17),
其中代表第j个虚拟机的CPU资源利用率,/>代表第i个主机的CPU可用资源。
1.3.3第二步
根据1.1的介绍第二步是构造判断矩阵。根据上一步确定的模型标准构造标准的成对比较矩阵,由于提出了三个不同的标准,矩阵的维数是3×3。表3显示了一个矩阵的例子。其中功耗增加比主机的资源分配平衡率重要两倍,相反主机的资源分配平衡率的重要程度是功耗增加的1/2,根据AHP判断矩阵的规则矩阵中对角线上的值都应等于1。将构造好的判断矩阵作为算法1的输入。
表3.判断矩阵
主机的功耗增加 | 主机资源分配平衡率 | 主机的可用资源 | |
主机的功耗增加 | 1 | 2 | 1/2 |
主机资源分配平衡率 | 1/2 | 1 | 1/5 |
主机的可用资源 | 2 | 5 | 1 |
1.3.4第三步
根据1.1的介绍第三步是层次单排序和一致性检验。具体流程如算法1AHP中的4-13行,用公式(2)计算得到一个m维权重向量,再根据公式(3)将向量标准化得到矩阵W=[0.280 0.131 0.589]如表4所示,另外设置标准矩阵基于标准权重,主机的可用资源是最重要的标准,其他依次是主机的功耗增加、主机资源分配平衡率。
表4.标准权重
主机的功耗增加 | 主机资源分配平衡率 | 主机的可用资源 |
0.280 | 0.131 | 0.589 |
得到标准的权重向量后进行一致性检验。将表3的判断矩阵A和得到的标准权重向量W按照公式(4)计算出最大特征根,再根据公式(5)、公式(6)和表2中的R.I.值计算一致性指标。所有计算结果如表5。
表5计算结果
max | C.I. | C.R. | R.I. |
3.006 | 0.003 | 0.0051 | 0.58 |
scoreHosti=W*CriterionT (18)
C.R.=0.0051<R.I.,证明标准权重通过一致性检验。最终本文提出的基于AHP层次分析法的虚拟机放置策略,其中考虑了三种决策标准以及根据模型计算的决策标准权重如表5。最后评价主机得分由公式(18)计算,在为迁移的虚拟机选择主机时优先选择得分最高的主机。本文所提出的算法的优点之一是它的灵活性。计算出的相对权重是本研究中建议的偏好,可以通过考虑数据中心政策进行更改。
1.4AESVMP算法
数据中心的监控程序会周期性的检查服务器的状态,根据主机资源利用率将主机状态分为过载,欠载和正常。如果主机过载虚拟机可能会出现资源争用导致性能下降,因此管理系统触发虚拟机迁移。采用本文提出的虚拟机放置策略可以在优化能耗的同时降低SLAV和虚拟机迁移数量。算法1是基于1.3提出的主机选择标准使用AHP计算标准权重模型,方法流程如下所示。
基于AHP计算出的标准权重模型,本发明提出了一种基于AHP方法的云数据中心资源平衡感知的虚拟机放置策略(算法2)AESVMP。需要迁移的虚拟机列表(vmsToMigrate)和主机列表(Hostlist)作为算法的输入,输出虚拟机与合适主机的映射(MigrationMap)。6-11行是将过载主机和关闭主机排除,12行13行再次将可用虚拟机筛选一遍,要满足主机可供资源大于虚拟机需求的条件,再根据公式(15)-(18)计算剩余可用的主机得分,选取得分最高的作为最适合迁移虚拟机的放置主机。
时间复杂度分析:假设迁移的虚拟机数量为M,选择一组N个PM,执行降序排序能效的时间复杂度为O(N logN)。当虚拟机被放置在PM上时,很明显PM的选择时间的时间复杂度是O(M),算法2的时间复杂度是O(N logN+M N),同时在最坏情况下当M等于N时,时间复杂度是O(N^2)。
为验证本发明效果,进行如下实验:
2实验评价
在本节中,介绍了我们在实验过程中的各种实验环境设置、用于评估的性能指标和比较基准。
2.1实验环境
本文提出的方法是在cloudsim仿真平台上进行实验验证的。在模拟平台上,我们拟定了800台异构主机,分为HP ProLiant ML110G4(Intel Xeon 3040)和HP ProLiantML110G5(Intel Xeon 3075)两种主机其中每种主机400台,这两种类型的服务器具有相同数量的处理元件、RAM、带宽和存储量,分别为2,4096MB、1Gbps和1GB,但CPU容量不同,即HPProLiant ML110 G4服务器为1860MIPS,HP ProLiant ML110 G5服务器为2660MIPS。具体主机的能耗和CPU利用率之间的关系如表6。
表6
表7
本实验考虑四种Amazon EC2类型虚拟机,它们具有相同数量的处理元件、带宽量和虚拟机大小,即分别为1,100Mbps和2.5GB。但是CPU容量(以MIPS为单位)和RAM(以GB为单位)因虚拟机类型而异,如表7所示。
为验证本文提出算法的性能,我们使用了Planetlab项目中提供的真实的10个工作负载,具体信息如表8,表示每个工作日的主机数量、虚拟机数量、虚拟机的平均负载以及负载变化的虚拟机标准偏差。
表8
2.2评估性能指标
用户向云数据中心提交创建虚拟机的请求,并与数据中心签署服务级别协议。服务水平协议是指主机和前面推荐的软件测量环境必须满足的业务质量要求的能力。对于实验结果本文选择了以下几个性能指标(总能耗、虚拟机迁移次数、SLTAH、PDM、SLAV、ESV、服务器关闭次数)用于评估所提出的算法的性能。这些性能指标描述如下:
1、其中总能耗定义了数据中心所有服务器执行模拟应用程序工作负载的总能耗,低利用率的主机切换低功耗模式减少活动主机数量,以达到降低能耗的目的。
2、虚拟机迁移次数定义了在实验过程中虚拟机迁移过程执行的总次数。如果数据中心检测到存在主机处于过载/欠载状态,就会有虚拟机迁移过程执行。虚拟机迁移会影响到虚拟机执行工作负载的性能,因此虚拟机的迁移次数越少越好。
3、虚拟机热迁移技术触发时,被迁移的虚拟机性能将受到影响。虚拟机迁移导致的性能下降,用PDM表示,定义如下:
其中,X、PFdeclinei和CPUi分别表示虚拟机数量、迁移导致的性能下降和VMi请求的CPU总容量,PFdeclinei的计算方式如公式(10)。
4、在云环境中,用户向数据中心提交创建虚拟机的请求,并与数据中心签署服务级别协议。服务水平协议是指主机和前面推荐的软件测量环境必须满足的业务质量要求的能力。SLATAH表示利用率为100%的活动主机的百分比定义为:
其中N、Toverj和Tactivej分别表示处于主用状态的主机数量、主机CPU利用率100%的时间和主机处于活动状态的运行时间。
5、SLAV是一个违反服务级别协议(SLA)的指标,用来衡量过载/欠载主机以及虚拟机迁移导致的服务质量下降。计算方式如公式(20)。
SLAV=SLATAH×PDM (20)
6、ESV是结合能耗和违反服务质量的综合指标。计算方式如公式(21),E代表数据中心的能耗。
ESV=E×SLAV (21)
7、服务器关闭次数:服务器关闭次数定义模拟过程中服务器关闭的总次数。如果检测到任何服务器负载不足,所有虚拟机都会迁移到其他服务器,并且负载不足的服务器会关闭。
2.3比较基准
本节介绍与提出的AESVMP放置方法做对比的基准方法。首先与论文[Wang J,YuJ,Song Y,et al.An efficient energy-aware and service quality improvementstrategy applied in cloud computing[J].Cluster Computing,2022:1-19.]中提出的LBVMP放置方法作比较。其次与[Beloglazov A,Buyya R.Optimal online deterministicalgorithms and adaptive heuristics for energy and performance efficientdynamic consolidation of virtual machines in cloud data centers[J].Concurrency and Computation:Practice and Experience,2012,24(13):1397-1420.]中的最佳拟合递减启发式算法(PABFD)作比较,选取其中THR、IQR、LR、MAD和LRR五种主机状态检测方法与最小迁移时间(MMT)和最大相关性(MC)2种虚拟机迁移选择算法组合。将IQR、LR、LRR和MAD的安全参数设置为1.2,将THR的安全参数设置为0.8。所有的对比实验都是在10个工作负载的状态下使用cloudsim进行比较。
2.4实验结果与讨论
本节将提出的AESVMP算法与2.3节中提到的虚拟机放置算法进行性能对比,使用真实的10个工作负载,依次对2.2节中提到的性能指标进行了评估。
表9
/>
表9显示了本文提出的AESVMP算法与最先进的LBVMP算法性能对比的仿真结果。其中AESVMP算法在虚拟机迁移数量优于LBVMP算法优化了51.76%。通过以上结果分析,该方法在虚拟机迁移和服务质量方面有效提升。
2.4.1基于能耗的评估
图5模拟了PABFD经典虚拟机整合框架中的虚拟机放置算法和本文提出的AESVMP虚拟机放置算法分别结合MMT、MC两种虚拟机选择算法的总能耗比较。图5中很明显可以看出在十个工作负载的条件下,本文的AESVMP虚拟机放置策略使得能耗低于PABFD策略的数据中心总能耗。在选择MMT最小迁移时间选择方法的条件下如图5(a)平均能耗降低了27.9%。在选择MC最大相关性选择算法的条件下如图5(b)平均能耗降低了27.7%。本文提出的AESVMP策略考虑了powerDiffi和指标,选择能效更高的PM,同时强调了资源分配均衡,可以减少高利用率的活动pm数量产生的大量能耗,证明了方法的有效性。
2.4.2虚拟机迁移数量比较
图6模拟了PABFD经典虚拟机整合框架中的虚拟机放置算法和本文提出的AESVMP虚拟机放置算法分别结合MMT、MC两种虚拟机选择算法的虚拟机迁移数量比较。图6中很明显可以看出在十个工作负载的条件下,使用本文的AESVMP虚拟机放置策略使得虚拟机迁移数量大幅度降低。在选择MMT最小迁移时间选择方法的条件下如图6(a)平均迁移数量降低了68.5%。在选择MC最大相关性选择算法的条件下如图6(b)平均迁移数量降低了73.1%。
综上,本发明考虑了虚拟化云环境中真实PlanetLab工作负载的能耗感知虚拟机放置模型。实现了在优化能源消耗的同时降低数据中心SLAV、ESV和减少虚拟机迁移数量的目标。为了实现这些目标,提出了基于AHP(层次分析法)方法的云数据中心资源(分配)平衡感知的虚拟机放置策略(AESVMP),综合考虑了主机的功耗增加、可用资源以及资源分配平衡率多个目标,在降低能耗的同时也降低了SLAV,保证了数据中心服务质量。与基准测试方法比较,数据中心能耗、虚拟机迁移数量分别优化了27.8%、94.25%。与LBVMP相比在基本相同的条件下,在虚拟机迁移数量、SLAV和ESV方面均有优化。总之,大量的实验结果验证了该方法的性能和有效性。
以上所示仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.基于AHP方法的云数据中心资源平衡感知的虚拟机放置策略,其特征在于,包括:
步骤1:构造一个分层的模型;其中第一层为目标层,用于选择最合适的主机来承载被迁移的虚拟机;第二层为决策层,有三个决策标准:主机的功耗增加、主机的资源分配平衡率和主机的可用资源;第三层为被迁移的虚拟机;
步骤2:在构造的分层模型的基础上构造判断矩阵;所述判断矩阵为由上述三个决策标准组成的3×3矩阵;
步骤3:基于判断矩阵计算标准权重向量,并设置标准矩阵;
步骤4:基于标准权重向量和判断矩阵进行一致性检验,若一致性检验通过则基于标准权重向量和标准矩阵计算主机得分,并将虚拟机迁移至得分最高的主机。
2.根据权利要求1所述的基于AHP方法的云数据中心资源平衡感知的虚拟机放置策略,其特征在于,还包括:对主机列表和需要迁移的虚拟机列表进行筛选;具体包括:
将过载主机和关闭主机排除;
再次将可用虚拟机进行筛选,以满足主机的可用资源大于虚拟机需求的条件。
3.根据权利要求1所述的基于AHP方法的云数据中心资源平衡感知的虚拟机放置策略,其特征在于,按照以下方式计算主机的功耗增加:
powerDiffi=Poweri afterVm-Poweri original
其中powerDiffi表示第i个主机在放置虚拟机后的功耗增加,i∈<1,M>,M表示主机总个数,Poweri original和Poweri afterVm分别表示第i个主机在放置虚拟机之前和之后的功耗。
4.根据权利要求3所述的基于AHP方法的云数据中心资源平衡感知的虚拟机放置策略,其特征在于,按照以下方式计算主机的资源分配平衡率:
其中表示第i个主机的资源分配平衡率,/>分别表示第i个主机的总资源平面/>和第i个主机的分配资源平面/>的法向量;式中:
其中分别表示第i个主机的CPU、RAM、BW分别对应的分配资源平面;/>分别表示第i个主机的CPU、RAM、BW分别对应的总资源平面;CPU、RAM、BW分别表示CPU、内存和带宽对应的具体数值。
5.根据权利要求4所述的基于AHP方法的云数据中心资源平衡感知的虚拟机放置策略,其特征在于,按照以下方式计算主机的可用资源:
其中ARi表示第i个主机的可用资源,Xij代表第j个虚拟机和第i个主机之间的映射关系,代表第j个虚拟机的CPU资源利用率,/>代表第i个主机的CPU可用资源。
6.根据权利要求5所述的基于AHP方法的云数据中心资源平衡感知的虚拟机放置策略,其特征在于,所述步骤3包括:
计算判断矩阵每行乘积的m次方,得到一个m维权重向量;将得到的权重向量标准化,得到标准权重向量W;
设置标准矩阵
7.根据权利要求6所述的基于AHP方法的云数据中心资源平衡感知的虚拟机放置策略,其特征在于,按照以下方式计算主机得分:
scoreHosti=W*CriterionT
其中scoreHosti表示第i个主机的得分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310784865.0A CN116737320A (zh) | 2023-06-29 | 2023-06-29 | 基于ahp方法的云数据中心资源平衡感知的虚拟机放置策略 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310784865.0A CN116737320A (zh) | 2023-06-29 | 2023-06-29 | 基于ahp方法的云数据中心资源平衡感知的虚拟机放置策略 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116737320A true CN116737320A (zh) | 2023-09-12 |
Family
ID=87918347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310784865.0A Pending CN116737320A (zh) | 2023-06-29 | 2023-06-29 | 基于ahp方法的云数据中心资源平衡感知的虚拟机放置策略 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116737320A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109343931A (zh) * | 2018-09-12 | 2019-02-15 | 西安交通大学 | 一种在IaaS环境中面向负载均衡的应用感知虚拟机调度方法 |
CN111897652A (zh) * | 2020-07-30 | 2020-11-06 | 湖南匡楚科技有限公司 | 一种基于l-bfgs的云资源动态优化方法 |
CN115509678A (zh) * | 2021-06-23 | 2022-12-23 | 深信服科技股份有限公司 | 一种虚拟机调度方法、装置、设备和计算机可读存储介质 |
-
2023
- 2023-06-29 CN CN202310784865.0A patent/CN116737320A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109343931A (zh) * | 2018-09-12 | 2019-02-15 | 西安交通大学 | 一种在IaaS环境中面向负载均衡的应用感知虚拟机调度方法 |
CN111897652A (zh) * | 2020-07-30 | 2020-11-06 | 湖南匡楚科技有限公司 | 一种基于l-bfgs的云资源动态优化方法 |
CN115509678A (zh) * | 2021-06-23 | 2022-12-23 | 深信服科技股份有限公司 | 一种虚拟机调度方法、装置、设备和计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
EHSAN ARIANYAN等: "Multi Objective Consolidation of Virtual Machines for Green Computing in Cloud Data Centers", 《IEEE XPLORE》, 20 March 2017 (2017-03-20), pages 654 - 659 * |
JAVAD AHMADI等: "A flexible approach for virtual machine selection in cloud data centers with AHP", 《RESEARCH ARTICLE WILEY》, 22 December 2021 (2021-12-22), pages 1216 - 1241 * |
JINJIANG WANG等: "An efficient energy-aware and service quality improvement strategy applied in cloud computing", 《CLUSTER COMPUTING (2023) 》, 19 November 2022 (2022-11-19), pages 4031 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200287961A1 (en) | Balancing resources in distributed computing environments | |
CN106790726B (zh) | 一种基于Docker云平台的优先级队列动态反馈负载均衡资源调度方法 | |
Li et al. | Energy-efficient migration and consolidation algorithm of virtual machines in data centers for cloud computing | |
Fu et al. | Virtual machine selection and placement for dynamic consolidation in Cloud computing environment | |
Yadav et al. | Mums: Energy-aware vm selection scheme for cloud data center | |
Yadav et al. | Managing overloaded hosts for energy-efficiency in cloud data centers | |
CN105491138B (zh) | 一种基于负载率分级触发的分布式负载调度方法 | |
Sampaio et al. | PIASA: A power and interference aware resource management strategy for heterogeneous workloads in cloud data centers | |
Braiki et al. | Fuzzy-logic-based multi-objective best-fit-decreasing virtual machine reallocation | |
Mosa et al. | Dynamic virtual machine placement considering CPU and memory resource requirements | |
Li et al. | Energy-efficient and QoS-aware model based resource consolidation in cloud data centers | |
CN115167984B (zh) | 基于云计算平台的考虑物理资源竞争的虚拟机负载均衡放置方法 | |
Song et al. | Utility analysis for internet-oriented server consolidation in VM-based data centers | |
Zuo et al. | Dynamically weighted load evaluation method based on self-adaptive threshold in cloud computing | |
Rajabzadeh et al. | New comprehensive model based on virtual clusters and absorbing Markov chains for energy-efficient virtual machine management in cloud computing | |
Li et al. | CSL-driven and energy-efficient resource scheduling in cloud data center | |
Zhang et al. | An energy-aware host resource management framework for two-tier virtualized cloud data centers | |
Jiang et al. | An energy-aware virtual machine migration strategy based on three-way decisions | |
Xu et al. | Energy-Aware Resource Management in Cloud Computing Considering Load Balance. | |
Garg et al. | Optimal virtual machine scheduling in virtualized cloud environment using VIKOR method | |
Sun et al. | An energy efficient and runtime-aware framework for distributed stream computing systems | |
CN110399203A (zh) | 一种基于弗雷歇距离的云计算虚拟机迁移方法 | |
CN116737320A (zh) | 基于ahp方法的云数据中心资源平衡感知的虚拟机放置策略 | |
Theja et al. | An evolutionary computing based energy efficient VM consolidation scheme for optimal resource utilization and QoS assurance | |
Banerjee et al. | Game Theory Based Energy-aware Virtual Machine Placement towards Improving Resource Efficiency in Homogeneous Cloud Data Center |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |