推荐星级：
- 1
- 2
- 3
- 4
- 5
支持随机服务请求的云虚拟机按需物理资源分配方法
资料介绍
针对云平台按负载峰值需求配置处理机资源、提供单一的服务应用和资源需求动态变化导致资源利用率低下的问题,采用云虚拟机中心来同时提供多种服务应用.利用灰色波形预测算法对未来时间段内到达虚拟机的服务请求量进行预测,给出兼顾资源需求和服务优先等级的虚拟机服务效用函数,以最大化物理机的服务效用值为目标,为物理机内的各虚拟机动态配置物理资源.通过同类虚拟机间的全局负载均衡和多次物理机内各虚拟机的物理资源再分配,进一步增加服务请求量较大的相应类型的虚拟机的物理资源分配量.最后,给出了虚拟机中心基于灰色波形预测的按需资源分配算法ODRGWF.模拟实验结果表明,该算法能够有效地提高云平台中处理机的资源利用率,对提高用户请求完成率以及服务质量都具有实际意义.
部分文件列表
| 文件名 | 大小 |
| 支持随机服务请求的云虚拟机按需物理资源分配方法.pdf | 2M |
部分页面预览
（完整内容请下载后查看）软件学报ISSN 1000-9825, CODEN RUXUEW
Journal of Software,2017,28(2):457−472 [doi: 10.13328/j.cnki.jos.005054]
©中国科学院软件研究所版权所有.
E-mail:
Tel: +86-10-62562563
支持随机服务请求的云虚拟机按需物理资源分配方法∗
1,2,3
1,3
1,3
2
4
1,3
5
曹
洁
,
曾国荪
,
匡桂娟
,
张建伟
,
马海英
,
胡克坤
,
钮
俊
1(同济大学 计算机科学与技术系,上海 200092)
2(郑州轻工业学院 软件学院,河南 郑州 450002)
3(国家高性能计算机工程技术中心同济分中心,上海 200092)
4(南通大学 计算机科学与技术学院,江苏 南通 226019)
5(宁波大学 计算机科学与技术系,浙江 宁波 315211)
通讯作者: 曹洁, E-mail:
摘
要: 针对云平台按负载峰值需求配置处理机资源、提供单一的服务应用和资源需求动态变化导致资源利用
率低下的问题,采用云虚拟机中心来同时提供多种服务应用.利用灰色波形预测算法对未来时间段内到达虚拟机的
服务请求量进行预测,给出兼顾资源需求和服务优先等级的虚拟机服务效用函数,以最大化物理机的服务效用值为
目标,为物理机内的各虚拟机动态配置物理资源.通过同类虚拟机间的全局负载均衡和多次物理机内各虚拟机的物
理资源再分配,进一步增加服务请求量较大的相应类型的虚拟机的物理资源分配量.最后,给出了虚拟机中心基于灰
色波形预测的按需资源分配算法 ODRGWF.模拟实验结果表明,该算法能够有效地提高云平台中处理机的资源利
用率,对提高用户请求完成率以及服务质量都具有实际意义.
关键词: 云计算;虚拟化;随机服务请求;灰色波形预测;按需资源分配
中图法分类号: TP316
中文引用格式: 曹洁,曾国荪,匡桂娟,张建伟,马海英,胡克坤,钮俊.支持随机服务请求的云虚拟机按需物理资源分配方法.软
件学报
英文引用格式: Cao J, Zeng GS, Kuang GJ, Zhang JW, Ma HY, Hu KK, Niu J. On-Demand physical resource allocation method for
cloud virtual machine to support random service requests. Ruan Jian Xue Bao/Journal of Software, 2017,28(2):457−472 (in Chinese).
On-Demand Physical Resource Allocation Method for Cloud Virtual Machine to Support
Random Service Requests
CAO Jie1,2,3
NIU Jun5
,
ZENG Guo-Sun1,3
,
KUANG Gui-Juan1,3
,
ZHANG Jian-Wei2, MA Hai-Ying4, HU Ke-Kun1,3
,
1(Department of Computer Science and Technology, Tongji University, Shanghai 200092, China)
2(Software College, Zhengzhou Institute of Light Industry, Zhengzhou 450002, China)
3(Tongji Branch, National Engineering and Technology Center of High Performance Computer, Shanghai 200092, China)
∗ 基金项目: 国家高技术研究发展计划(863)(2009AA012201); 国家自然科学基金(61402244); 上海市优秀学科带头人计划(10X
D1404400); 华为创新研究计划(IRP-2013-12-03); 高效能服务器和存储技术国家重点实验室开放基金(2014 HSSA10); 河南省科技
创新人才计划([2015]4); 浙江省公益技术应用研究项目(2014C31059)
Foundation item: National High-Tech R&D Program of China (2009AA012201); National Natural Science Foundation of China
(61402244); Program of Shanghai Subject Chief Scientist (10XD1404400); Huawei Innovation Research Project (IRP-2013-12-03); Open
Foundation of the State Key Laboratory of High-End Server and Storage Technology (2014HSSA10); He’nan Scientific and Technological
Innovation Project ([2015]4); Zhejiang Provincial Public Technology Application Research Project (2014C31059)
收稿时间: 2014-09-29; 修改时间: 2015-04-08, 2015-10-20, 2015-12-22; 采用时间: 2016-02-19; jos 在线出版时间: 2016-05-03
CNKI 网络优先出版: 2016-05-04 08:44:06, http://www.cnki.net/kcms/detail/11.2560.TP.20160504.0844.002.html
458
Journal of Software 软件学报 Vol.28, No.2, February 2017
4(School of Computer Science and Technology, Nantong University, Nantong 226019, China)
5(Department of Computer Science and Technology, Ningbo University, Ningbo 315211, China)
Abstract: Low resource utilization is becoming much more serious in cloud platform which allocates processor resources according to
the peak load while providing single service application and facing dynamic variation of resource demand. To address the problem, this
study uses cloud virtual machine (VM) center to provide a variety of reasonable service applications simultaneously. Gray wave
forecasting algorithm is adopted to predict the future load of service requests and a VM service utility function is proposed by taking
resource requirements and service priorities into account. Each VM inside a physical machine dynamically configures physical resources
to maximize the service utility value of the physical machine. Besides, by applying the global load balancing and multi-time physical
resource redistribution for each virtual machine in the same physical machine, the number of physical resources assigned to the VMs
whose service request amount is much larger is further increased. In the end, on-demand resource reconfiguration algorithm ODRGWF
based on grey wave forecasting is put forward. The simulation results show that the proposed algorithm can effectively improve processor
resource utilization, which is of practical significance to improve user request completion rate and service quality.
Key words: cloud computing; virtualization; random service request; grey wave forecasting; on-demand resource allocation
云计算以网络化的方式组织和聚合计算与通信资源,以虚拟化的方式为用户提供可以缩减或扩展规模的
计算资源.虚拟化软件如VMWare,Xen[1,2]和KVM,为云计算按需资源分配提供了强大的技术支持.通过虚拟化软
件,可将一台物理机实例化为多个虚拟机,将多台物理机的剩余计算资源虚拟化成一台虚拟机.由此,云中心的体
系结构通常分为 3 层[3]:底层是大量的物理资源;中间层是虚拟化服务层,由大量的虚拟机实例组成;最高层是云
计算应用层,不同类型的应用有不同的服务质量需求.
目前,一个大型的云中心往往托管了数以万计的 x86 服务器,出于对安全、可靠性和性能的考虑,这些服务
器基本上只运行一种应用服务.通常云中心的服务器数量是根据峰值服务请求进行配置的,在大多数时间段内,
大多数服务器处于空闲状态,造成服务器利用率低下.据统计,企业数据中心的平均资源利用率通常低于 15%～
20%.此外,不同云中心在不同时间段的繁忙程度可能差别很大,在某时间段,一些云中心的负载比较重,而其他云
中心的负载可能比较轻.如果一个服务器能够同时提供多种服务应用,原来由多个云中心分别提供服务就可以
用 1 个云中心来同时提供这些服务.虚拟化技术为这个设想的实现提供了可行的解决方案,通过服务器虚拟化,
一个物理服务器可被虚拟化成若干个虚拟服务器使用.不同的虚拟服务器也称为虚拟机(virtual machine,简称
VM).提供资源虚拟化技术的软件称为虚拟机监视器(virtual machine monitor,简称VMM).虚拟机监视器直接运
行在硬件上或操作系统中,虚拟机运行在虚拟机监视器上.虚拟机操作系统使用的是虚拟化资源,虚拟机监视器
负责虚拟资源到物理资源的映射.这样,云中心可根据不同类型服务应用负载的不同,减少执行轻载服务应用的
虚拟机的物理资源,增加执行重载服务应用的虚拟机的物理资源.
虚拟化削弱了操作系统和硬件之间的相互依赖,已经成为资源动态配置的一种有效手段.通常,在云中心有
3 种级别的资源管理方法:(1) 应用级资源管理.属于分布式资源管理方法,由虚拟机本身负责虚拟机之间资源分
配的有效性和公平性.(2) 主机级资源管理.属于集中式资源管理方法,由主机内核或虚拟机监视器向该主机上
的虚拟机分配资源.(3) 集群级资源管理.属于集中式资源管理方法,由控制中心根据实际工作负载,调整虚拟节
点间的资源分配.
本文所提出的支持随机服务请求的云虚拟机按需物理资源分配方法 ODRGWF 属于主机级资源管理方法.
该分配方法通过实时跟踪物理机内各虚拟机应用负载的变化,及时调整物理资源在虚拟机间的资源配置,缓解
发生在物理机内的各虚拟机之间的资源竞争.此外,通过服务请求全局负载均衡缓解服务请求发生在物理机之
间的资源竞争.
1
相关工作
云服务提供商能否赢利,取决于其所提供的云平台的稳定性、云平台的资源利用率以及虚拟机的价格等
因素.如何根据应用、服务负载的变化为其所在的虚拟机及时、有效地分配物理资源,保证既不会因为资源缺
乏而影响业务系统运行,也不会造成严重的资源浪费,已成为提高云虚拟机中心资源利用率和应用服务质量的
全部评论(0)