云計算環境下資源調度問題的研究

宋和田

摘要：云計算中的資源調度對云計算的整體性能和運營發展有重要影響，因此資源調度已經成為云計算的一個重要研究方向。該文首先對云計算環境下的資源調度問題做定義，并對相關的研究現狀進行深入研究分析，歸納總結出當前主要的資源調度目標，分別是以性能為中心的調度目標、以服務質量為中心的調度目標以及以經濟原則為中心的調度目標。在本文的最后指出在云計算環境下對資源進行高效管理和調度的未來重要的研究和發展方向，即基于預測、能耗與性能折中的多目標優化的資源調度模型。

關鍵詞：云計算；資源調度；多目標優化

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2015）29-0188-03

1 概述

云計算是一種新的計算模型和服務模式，它將硬件的計算能力作為一種資源的角度來看，好比是將計算資源作為一種類似于電力，網絡帶寬的服務通過網絡提供給用戶的計算模式，用戶以按需擴展的方式來使用計算資源（包括數據、軟件、硬件和網絡帶寬等），而無須了解它提供過程的細節。對云計算的定義有很多說法，對于到底什么是云計算，至少可以找到上百種不同的解釋[1]，現階段最為大家所接受的是美國國家標準與技術研究院（NIST）定義：云計算是一種可以按使用量付費的模式，這種模式提供高可用的、便捷而高效的、可以按需支付的網絡訪問，所有的計算資源先進入到可配置的計算資源共享池（這些資源包括網絡，服務器，存儲，服務和應用軟件），所有的這些資源都能夠被快速提供，只需投入很少的后臺管理工作，或者與服務供應商進行很少的交互[2]。

從云計算的定義可以看出，云計算的核心問題之一就是對資源進行有效的管理。對此，本文對云計算環境下的資源管理以及相關的研究進行了深入調查和分析，對研究現狀全面總結，并重點給出了三種不同的目標情況下的相關理論和方法，他們是：

a） 以降低云計算環境下的數據中心的能耗比為目標；

b） 以提高云計算系統下的資源利用率為目標；

c） 基于經濟學原理的云資源管理下資源利用率最大化的多目標優化模型，以及其相關理論和方法；

在本文最后指明在云計算環境下的資源調度問題的未來研究的一個重要方向：基于預測、能耗與性能折中的多目標優化的資源調度模型。

2 云計算資源調度概述

可以將云計算看成是網格計算、并行計算和分布式計算等概念的進一步商業化的發展，但云計算具有其自身的一些特點，比如在資源聚合形式（完全實現中心存儲）與共享資源和計算能力方式（P2P）以及任務的提交方式等，所以在云計算環境下的資源調度問題也有不同于分布式計算或網格和并行計算等計算模式的特點。

2.1 云計算資源調度目標

云計算環境下的資源調度的目標可以總結為如下三點：

1）以降低云計算環境下的數據中心（Data Centre）的能耗為目標的資源調度策略的研究；

2）以提高云計算系統的資源利用效率為目標的資源管理策略的研究；

3）采用經濟學領域的研究方法，對云計算環境下的資源管理建立多目標優化模型，并對其進行相關的研究。

2.2 云計算資源調度問題研究現狀

在本節中主要針對上一節所述的云計算環境下的資源調度目標，進行分類說明。并且列舉當前在該領域內的研究熱點和研究現狀。

在文獻[3]中作者主要研究了虛擬化的計算機集群環境中的能耗問題，并且給出一個通過降低集群中的所有處理器的工作頻率來減少能耗的機制，并且作者給出了以下能耗計算公式：及，其中為系統的能耗系數，為總的電容負載量，為處理器當前的電壓，為處理器的當前工作頻率。由該云計算系統下總能耗公式可知，如果可以降低虛擬機的處理器的工作電壓，就可以有效的降低系統總能耗。本文中，作者還給出了一種可以判斷虛擬機的負載的方法，并且根據負載來動態調節虛擬機的處理器電壓，其具體的實現方法是：通過安裝在每個虛擬機中的監控腳本，對虛擬機的運行狀態和系統負載情況進行監控，當虛擬機的負載比較低的時候，可以自動降低CPU工作電壓，從而減少處理器的速度并且降低其工作能耗。但在該方法最大的缺點是，其中并沒有建立有效的預測系統，來預測CPU工作頻率降低后對應用性能的影響，這就會造成系統反應的延遲，比如當系統負載增加時，節能機制需要一定的時間才能升高處理器的工作頻率，從而提高處理器的性能，但是在這個過程中，由于系統的延遲，會對應用性能造成不良的影響。

文獻[4]研究了順序受限（precedence-constrained）在云計算環境下的并行應用資源調度與分配問題，文中對并行應用在順序受限情況下的完成時間和對應的能耗進行統計并建立模型，之后作者將此模型轉化為一個多目標優化問題，即最小完成時間和最低能耗為優化目標的多目標優化問題，并且利用智能算法求解此多目標優化問題。最后通過實驗證明了作者所提出的多目標混合遺傳算法兼顧到了能耗的最少和應用完成時間的最小的雙目標優化。

圖1 節能高效云計算體系結構

在文獻[5，6]中，作者提出了一個全新的節能高效的云計算體系（見圖1），并提出了一種優化的選擇算法，可以基于獨有的能耗感知模型對虛擬機的位置進行優化，并且通過能耗感知，可以動態遷移虛擬機，提高服務器的利用率，并使得空閑的服務器進入休眠狀態，來降低數據中心的總能耗。該云計算體系結構由云計算用戶、動態服務分配模塊、虛擬機、服務器4層組成。其中云計算用戶表示向云計算中心提交服務請求的具體使用者，而動態服務分配模塊則是用戶和云計算平臺中的基礎服務器之間的接口。高效服務動態分配模塊是整個云計算平臺的核心，實現節能與服務器調度的核心功能。在該系統中，所有的虛擬機可以被動態遷移，從而實現整個云系統中所有物理服務器的負載平衡。在系統負載較低的時候，系統會遷移虛擬機并集中到部分服務器上，同時會關閉部分空閑的計算節點，當在在負載升高時，系統會自動打開空閑節點，動態遷移虛擬機到新啟動的服務器中，從而達到調整負載平衡的目的。當系統中所有服務器均滿負載運行時，整個系統的最大功耗值，表示空閑的物理服務器的能耗占系統總能耗的比例，表示CPU在當前時間下的工作利用率。作者在此能耗模型的基礎上，給出了資源預處理分配方法，本方法是基于能耗預測感知的。即云計算平臺的數據中心在接到來自客戶的虛擬機申請的資源請求時，會根據能耗預測模型計算出數據中心的物理服務器的總能耗，選擇能耗最小的滿足客戶條件的虛擬機，并且分配給用戶使用。

隨著云計算的使用越來越普及，很多商用的云計算平臺孕育而生，其中比較著名的是Amazon的AWS云計算平臺、IBM 藍云平臺及Google的云計算平臺、以及華為的云計算平臺FusionCloud。他們均根據自身系統的特點，而采取了靈活多樣，而又高效的資源調度模型。比如基于經濟學的云資源管理模型研究方面，已經有大量的應用方案來針對面向市場的云計算體系結構和面向市場的資源分配和調度方法。以下以Amazon的云計算平臺AWS為例，來介紹其資源調度方面的特點。

Amazon的云計算平臺AWS是當前商用云計算應用最為成功的廠家之一。它的調度策略很好地結合了經濟效益和性能平衡的調度方式。在其云計算平臺上，用戶可以自由選擇虛擬機的配置，服務提供的時間，和服務提供的大概位置等信息，之后，系統會按照這些要求，動態的計算出成本，并且由系統自動分配相應的符合條件的虛擬機供用戶使用，其定價機制是動態調整的。根據用戶的需求量，以及服務器的工作量等多方面的信息，去調整定價機制，同時虛擬機的動態遷移等機制也做得非常的好，是當前云系統中的資源調度策略的成功典型之一。

3 未來資源管理的研究方向分析

近年來，云計算的資源管理與調度成為云計算領域一個熱門的課題，來自全球各地的研究者對此開展了多種多樣的研究工作，已并且得出很多有效的研究成果，但仍然存在一些不足，需要進一步深入研究和并且能夠給出解決方法。在云計算資源管理與調度方面，作者總結出未來可能的研究方向和重點：

1）首先是基于預測模型的模糊感知技術，能夠有效的預測資源使用率并提前進行準備調度的方法；

2）其次是面向不同應用、在不同負載情況下的資源管理與分配策略和機制的研究，以及多目標優化的資源管理與調度。

結合上文的分析，面向多目標優化的資源管理和調度將必定成為一個研究的新關鍵領域，因為對于云計算中心而言，其評價指標主要有兩個，一是資源降低能耗，另一個是保證云系統中的應用的服務質量和提高應用性能，同時還有很多需要考慮的條件需要被引入，包括環境噪音，服務器材料的使用，服務器回收利用等等，所有這些多目標之間，可能存在相互沖突。并且多個參數的引入，將使多目標優化變得十分復雜。為了獲得綜合的優化結果，未來對數據中心資源分配的多目標優化模型與算法將成為重點研究的課題。

4 結束語

云計算系統目前已經從工業和學術界走向商用和教育，有大量的企業私有云計算平臺或者開放的共有云平臺以及教育云、金融云等等，多行業云平臺已經開始走向成熟商用階段。這些商用云計算平臺逐漸顯現出其強大的服務彈性，和性價比優勢，并且得到越來越多用戶的認可。這促使云計算平臺在技術方面飛速的發展。但是，云計算平臺的發展過程中，依然暴露出一些不足，或者一些需要解決的問題，如安全性不足、可擴展性較低、互操作性不夠、服務水平協議有缺陷、數據遷移難度大和以用戶為中心的隱私難以被保護、透明性不夠、政治和法律相關條款不充足、業務服務管理模式模糊等。而其中云計算平臺的有效資源管理是云計算中的一個基礎的急需解決的研究方向。本文重點研究和分析了云計算環境下的資源調度常見方法和研究現狀以及其存在的問題，這些問題在不同目標條件下往往有不同的表現形式，并且深入分析和比較了目前的云計算資源調度方法，同時在本文的最后，作者對未來云計算環境下的資源管理的發展的幾個重要研究方向做出分析和預測。

參考文獻：

[1] 2014年云計算大會云計算標準化體系草案形成.中國云計算，2014-03-05.

[2] 十種方法保持云中數據安全.TechTarget云計算.2013-08-23.

[3] Von L G， Wang L， Younge A J， etal. Power-Aware Scheduling of Virtual Machines in DVFS-enabled clusters [C] //Proc. of IEEE International Conference on Cluster Computing 2009， New Orleans， LA， USA， 2009：1-10.

[4] M. Mezmaz， N. Melab， Y. Kessaci， Y.C. Lee， E.-G. Talbi， A.Y. Zomaya， D. Tuyttens， A parallel bi-objective hybrid metaheuristic for energy-aware scheduling for cloud computing systems， Journal of Parallel and Distributed Computing， Volume 71， Issue 11， November 2011， Pages 1497-1508， http：//dx.doi.org/10.1016/j.jpdc.2011.04.007.

[5] Beloglazov A， Abawajy J， Buyya R， Energy – Aware Resource Allocation Heuristics for Efficient Management of Data Centers for cloud Computing [J]. Future Generation Computer System， 2012， 28（5）：755-768.

[6] Buyya R， Beloglazov A， Abawajy J. Energy – Efficient Management of Data Centers for cloud Computing： A Vision， Architectural Elements， and Open Challenges [C]//Proceedings of the 2010 International Conference on Parallel and Distributed Processing Techniques and Applications （PDPTA2010）. Lasvegas， USA， July 2010.

[7] Hermenier F， Lorca X， Menaud J M， et al. Entropy： a Consolidation Manager for Clusters[C]// In VEE 09： Proceedings of the 2009 ACM SIGPLAN/SIGOPS international conference on Virtual execution environments2009：41-50.

[8] Xindong You， Xianghua Xu， Jian Wan， Dongjin Yu， "RAS-M： Resource Allocation Strategy Based on Market Mechanism in Cloud Computing"， CHINAGRID， 2009， 2013 8th ChinaGrid Annual Conference， 2013 8th ChinaGrid Annual Conference 2009， pp. 256-263， doi：10.1109/ChinaGrid.2009.41.

[9] 林偉偉，齊德昱.一種基于動態重配置虛擬資源的云計算資源調度方法[P].2011-1-5（201010268105.7）.