文章编号：１００７—１４２３（２０１７）０９—００４７—０４ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００７—１４２３．２０１７．０９．０１２ 云环境下基于预测的能耗优化算法 李亮亮 （四川大学计算机学院，成都６１００６５） 摘要： 近年来云计算技术发展迅猛．许多企业都将业务迁移到云端．如何提高云资源利用效率降低能耗是一个很多人在研 究的问题 针对私有云环境中部署的Ｗｅｂ服务提出一种基于负载预测的能耗优化算法．通过对系统负载进行预测并 合理分配调度系统资源，有效提高资源利用效率并降低能耗，最后通过仿真实验验证该算法的可行性和有效性。 关键词： 云计算：Ｗｅｂ服务；资源利用率：能耗 ０ 引言 如今很多企业都将自己的业务或部分或全部迁移 到了“云”中．因为云计算为用户提供着近乎无限的计 算资源 云计算最初提出时希望计算资源能够像今天 我们使用水、电一样。用多少给多少钱．即以一种按需 为能源消耗在云的成本开销中占有很大的比例．不加 以合理利用很多都是白白浪费掉了．这不仅带来了一 定经济上的损失．同时也与现在提倡的绿色环保的概 念相违背．所以对于能耗的优化具有很重大的意义 现 有研究很少针对私有云中部署的Ｗｅｂ应用．本文将提 出一种能耗优化的调度算法针对该场景 服务的方式给用户使用 云计算主要使用虚拟化技术 为用户提供服务，它具有高可靠性、易于扩展、价格低 廉等特点 纵观现在的云计算市场．大概可以划分为３ １ 系统结构 １．１问题描述 类．首先是公有云．用户向公有云服务提供商支付相应 的费用．从而得到相应资源的使用权利．费用使用完毕 则用户需要续费或者停止使用相应服务．例如国外有 ＡｍａｚＯｉｌ、Ｇｏｏ ｅ、ＩＢＭ等公有云服务提供商，国内则以 阿里云、腾讯、华为等提供的云服务为代表；其次是企 业自建的私有云．一般私有云规模都相对较小．提供的 计算能力相对公有云要小很多．但因为私有云在企业 本文从一个合作的电商网站的真实数据分析着 手 该电商网站将业务程序部署在５台服务器上．通过 后台监控程序每１０分钟获取一次系统状态．共收集了 一周的监控数据．其中本文主要关注的是系统ＣＰＵ负 荷情况．通过分析监控数据．发现ＣＰＵ负载呈现出周 期性的波动．如下图１所示．为了更清晰地呈现负荷的 变动．图中截取了一周内连续两天的ＣＰＵ负载情况． 从图１中可以看出．ＣＰＵ负载以天为周期呈现出规律的 波动．一天内出现两个大的波峰．分别在中午１２点左右 以及晚上９点左右．这也正好印证一般我们网上购物的 或者机构内部。所以安全性有足够的保证：第三种则是 前面两种的混合方式．即混合云．它结合了私有云安全 性高和公有云计算能力强的特点．企业可以把对安全 性要求高的数据放在私有云中．而需要大量计算的任 务则放在公有云中去执行．这也是目前对于企业使用 云计算一个很好的方式 本文关注的是企业将Ｗｅｂ应用部署到私有云中 的情形．通过采用合适的算法来优化私有云的能耗．因 规律，即一天中午和晚上的空闲时间。但是从图中看出 系统整体的ＣＰＵ利用率不高．最高也没超过６０％．并且 大部分时间内利用率都在３０％以下．这浪费掉了很多系 统资源以及电能．所以具有很大的优化空间 现代计算机 ２０１７．０３下囝 图１系统ＣＰＵ负载 本文将Ｗｅｂ应用放入云环境中．通过提出的调度算 法对系统进行优化．从而提高系统整体的资源利用效率 １．２系统框架 出于对数据安全和隐私的考虑．本文考虑私有云 场景。企业需要将Ｗｅｂ服务器部署在私有云中．然后 由调度器预测不同时刻系统中的负载情况并提前做出 响应．因为当Ｗｅｂ系统出现过载再采取行动会严重影 响用户的体验。系统整体结构如图２所示．企业中有物 理服务器（ＰＭ）ｎ个，全部进行虚拟化搭建私有云平台， 然后部署ｎ个Ｗｅｂ服务器到ｎ台虚拟机上对外提供 服务．私有云环境中一个很重要的部件是ｂｒｏｋｅｒ．它由 几个模块组成．分别是负载预测器和调度器。负载预测 器会使用下述的算法根据历史的数据对未来一个时间 段内的系统整体负载做预测。然后反馈给调度器．调度 器则根据系统整体的负载对这些Ｗｅｂ服务器进行调 度．当系统负载较低时它将用户请求迁移到少数几台 Ｗｅｂ服务器上．同时将这些Ｗｅｂ服务器调度到集中的 几台ＰＭ上．同时让其他空闲的ＰＭ关闭或者是将它们 置于低功耗状态下．这样降低系统的整体能耗 详细的 调度算法和流程见下一小节 ２ 调度算法 ２．１预测算法 Ｗｅｂ系统的负载变化主要是由于不同时刻用户的 请求量不同导致的 当某时间段内有大量的用户访问 请求到达系统．则系统的负荷会增加导致系统资源利 用率会提升．反之当用户访问量比较小时系统负荷就 会变小．如图１所示．由于在凌晨时段基本没有用户访 问因此系统负荷维持在很低的水平．所以ＣＰＵ的利用 率很低 为了充分利用系统提供的资源．保证系统资源 ＠ 现代计算机２０１７．０３下 处于一个较高的利用水平．ｂｒｏｋｅｒ中的负载预测模块 首先根据历史数据对未来一个时间段内的用户请求量 进行预测．然后调度器根据预测结果对系统进行资源 分配以及调度。 Ｕｓｅｒ１ Ｕｓｅｒｉ Ｕｓｅｒｎ ｛ 负载预测器 ｛ ・Ｉ 调度器 ｉ ｂｒｏｋｅｒ 一一一／—＼．． ｒ１ ｌｗ］厂ｖｅｉｂｉ１ ｝ｌ ’ ｉ１Ｉ Ｗ—恤｛ｅｂ］ｉ 国旧 Ｊ Ｉ私有云 图２系统结构图 本文采用修正指数曲线模型来预测用户的请求 量 其模型为 ＝ ６ ＋ｃ．假设在时刻ｔ需要预测未来的 时刻ｔ￣ｔ＋ｊ的用户请求量，则表示为ｐ （ ） （￡ ）＝Ⅱ ｂｔ＋ｃ其中ｉ＝０，１，２，…，ｍ； ＝ｌ，２，３，…。 在确定其中的参数时．我们使用“ｊ和法”来估计 参数，需要将建模的数据分为３组 即将观测的历史数 据长度表示为３ ．则上述模型中的参数可分别表示为 ２Ｌ Ｌ 口＝（∑ｐ （￡）一∑ｐ （￡）） （（６一１）／（６（（ｂＬ－１）ｚ）））），ｂ： ，ｃ：（∑ ）一ａｂ（（１一ｂ ）／（１一ｂ））／ ｆ＝ｌ ｎ。上式中ｐｉ（￡）和 （ ）分别代表ｔ时刻监测到的实际 用户请求数量和预测的ｔ．时刻的用户请求量，实际的 监测数据通过历史数据获取．这样就可以利用历史数 据来预测未来某时刻的用户请求数量 ２．２调度流程 负载预测器预测了未来一段时间内的用户请求数 量．调度器将该结果与现在的系统负载作对比．然后根 据对比结果决定是为Ｗｅｂ服务器分配新的资源或者 是回收部分资源并将服务器置于低功耗节能状态 调 度算法伪代码如下所示： 算法１基于预测的能耗优化算法ｐｒｅｄｉｃｔ ｂａｓｅｄ ｅｎｅｒｇｙ ｃｏｎｓｕｍｐｔｉｏｎ ｏｐｔｉｍｉｚａｔｉｏｎ（ＰＢＥＯ） Ｉｎｐｕｔ：用户请求量预测结果 ，系统当前用户请求量Ｐ Ｏｕｔｐｕｔ：系统调度方案 用率低的ＰＭ上的ｖｍ迁移到其他ＰＭ上．使ＶＢ集中 到少量的ＰＭ上．从而使空闲的ＰＭ处于低能耗状态下 或者是将其关闭．这样可以提升系统整体的能效 １：ｗｈｉｌｅ，，每隔一段时间ｔ进行一次预测及调度优化 ２： ｉｆ（ｐ＞ｐ） ３： ４： ｉｆ（（ －ｐ） ＞Ｑ）／／判断用户请求量波动是否较 ／／需要为Ｗｅｂ服务分配新的资源时．寻找 ３ 实验结果及分析 由于条件受限无法在真实的云环境中做实验．所 以本文实验采用的是模拟实验．使用云计算实验平台 大．设置一个阂值Ｑ ＣＰＵ利用率较低的ＰＭ分配资源 ５： ｕｓｅ ｒａｔｉｏ ｃｌ０ｕｄ８ｉｍ进行仿真．实验环境为Ｉｎｔｅｌ Ｃｏｒｅ ｉ７处理器 ８Ｇ内存．Ｗｉｎｄｏｗｓ ８的ＰＣ ｓｏｒｔ ＰＭｓ ａｃｃｏｒｄｉｎｇ ｔｏ ａｓｃｅｎｄｉｎｇ ｏｒｄｅｒ ｂｙ ＣＰＵ 使用Ｃｌｏｕｄｓｉｍ生成了一个小型数据中心．然后使 ｔｈｅｎ ａｌｌｏｃａｔｉｏｎ ｎｅｗ ｖｍ ｆｏｒ ｗｅｂ ｓｅｒｖｅｒｓ ｉｎ ６：用前文所述的真实电商数据模拟用户请求数．分别对 ｌｏｗｅｓｔ ｕｓｅ ｒａｔｉｏ ＰＭ 比在使用本文算法和不使用本文算法的情况下．系统 整体的ＣＰＵ利用率和系统整体能量（主要是电能）消 耗。 如图３所示．使用本文提出的算法之后．系统整体 ７： ｅｌｓｅ ｉｆ（ｐ＜ｐ） ８： ９： ｉｆ（（ｐ－ｐ）／ｐ＞Ｑ） ／／当系统资源利用比较低时．将ｖｍ集中到 少量的ＰＭ上 １０： ＣＰＵ ｕｓｅ ｒａｔｉｏ １１： ｓｏｒｔ ＰＭｓ ａｃｃｏｒｄｉｎｇ ｔｏ ａｓｃｅｎｄｉｎｇ ｏｒｄｅｒ ｂｙ 的ＣＰＵ利用率比没有使用提高了不少．并且当系统中 ＰＭ数量从４增加到８时。利用率逐渐降低．因为系统 提供的资源过剩之后导致很多资源处于空闲状态．从 而降低了系统整体资源利用率 图４也反映出．当ＰＭ ｔｈｅｎ ｍｏｖｅ ｔｈｅ ｖｍｓ ｉｎ ｌｏｗｅｓｔ ｕｓｅ ｒａｔｉｏ ＰＭ ｔｏ ｏｔｈｅｒ ＰＭｓ １２： １３： ｌ４： ｆｏｒ（ＰＭｓ） ｉｆ（ＰＭｉ ｈｏｌｄ ｎｏ ｖｍｓ） ｔｕｒｎ ＰＭｉ ｔＯ ａ ｌｏｗ ｐｏｗｅｒ ｓｔａｔｅ ｏｒ ｓｈｕｔ 增多之后．系统功耗也逐渐变大．使用ＰＢＥＯ算法之 后．系统整体能耗降低了不少。 ４ 结语 本文提出了一种在云环境下针对Ｗｅｂ服务进行 ｄｏｗｎ １５： ｅｎｄ ｆｏｒ １６：ｅｎｄ ｗｈｉｌｅ 能耗优化的算法．该算法通过对系统负载作出预测 然 后调度器对系统进行调度优化．当系统负载突然增加 时．提前分配新的资源给Ｗｅｂ服务器．避免系统过载 上述算法主要过程分为两步．根据预测和实际的 情况系统采取不同的措施，如２￣６行所示，当用户量突 然增长很多时．调度器提前为Ｗｅｂ服务分配新的资 使ｗｅｂ服务受影响：当系统负荷很低时．则将负载集 中到少数服务器上以提高系统整体利用率并降低能 耗 模拟实验验证了该算法的有效性。 源，在资源利用率比较低的ＰＭ上分配新的ｖｍ；相反当 用户量在短时间内下降比较多时．调度器会将资源利 ＣＰＵ平均利用率 １ 霎茎 ０ 素 ｌ ¨一钿 ｈ 图３ ＣＰＵ平均利用率 现代计算机 ２０１７．０３下ｏ ＼ 研究与开发 ＼—————————————————————————————————————————————————————————————————————————————————————————————————————————————————————————————————～——————一 ＼ 参考文献： ［１］Ｂｕｙｙａ Ｒ，Ｙｅｏ Ｃ Ｓ，Ｖｅｎｕｇｏｐａｌ Ｓ，ｅｔ ａ１．Ｃｌｏｕｄ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｅｍｅｒｇｉｎｇ ＩＴ Ｐｌａｔｆｏｒｍｓ：Ｖｉｓｉｏｎ，Ｈｙｐｅ，ａｎｄ Ｒｅａｌｉｔｙ ｆｏｒ Ｄｅｌｌｖｅｒｉｎｇ Ｃｏｍｐｕｔ— ｉｎｇ ａｓ ｔｈｅ ５ｔｈ Ｕｔｉｌｉｔｙ［Ｊ］．Ｆｕｔｕｒｅ Ｇｅｎｅｒａｔｉｏｎ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍｓ，２００９，２５（６）：５９９—６１６． 【２］Ｌｅ Ｔ Ａ．Ｗｏｒｋｌｏａｄ Ｐｒｅｄｉｃｔｉｏｎ ｏｒｆ Ｒｅｓｏｕｒｃｅ Ｍａｎａｇｅｍｅｎｔ ｉｎ Ｄａｔａ Ｃｅｎｔｅｒｓ［Ｊ１，２０１６． ｆ３］Ｌｕｃａｓ—Ｓｉｍａｒｒｏ Ｊ Ｌ，Ｍｏｒｅｎｏ—Ｖｏｚｍｅｄｉａｎｏ Ｒ，Ｍｏｎｔｅｒｏ Ｒ Ｓ，ｅｔ ａ１．Ｓｃｈｅｄｕｌｉｎｇ Ｓｔｒａｔｅｇｉｅｓ ｆｏｒ Ｏｐｔｉｍａｌ Ｓｅｒｖｉｃｅ Ｄｅｐｌｏｙｍｅｎｔ Ａｃｒｏｓｓ Ｍｕｈｉｐｌｅ Ｃｌｏｕｄｓ［Ｊｔ．Ｆｕｔｕｒｅ Ｇｅｎｅｒａｔｉｏｎ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍｓ，２０１３，２９（６）：１４３１—１４４１． 【４］Ｃａｌｈｅｉｒｏｓ Ｒ Ｎ，Ｒａｎｊａｎ Ｒ，Ｂｅｌｏｇｌａｚｏｖ Ａ，ｅｔ ａ１．ＣｌｏｕｄＳｉｍ：ａ Ｔｏｏｌｋｉｔ ｆｏｒ Ｍｏｄｅｌｉｎｇ ａｎｄ Ｓｉｍｕｌａｔｉｏｎ ０ｆ Ｃｌｏｕｄ Ｃｏｍｐｕｔｉｎｇ Ｅｎｖｉｒｏｎｍｅｎｔｓ ａｎｄ ａｌｕａｔｉｏｎ ｏｆ Ｒｅｓｏｕｒｃｅ Ｐｒｏｖｉｓｉｏｎｉｎｇ Ａｌｇｏｒｉｔｈｍｓ［ＪＪ．Ｓｏｆｔｗａｒｅ：Ｐｒａｃｔｉｃｅ ａｎｄ Ｅｘｐｅｒｉｅｎｃｅ，２０１１，４１（１）：２３—５０． 作者简介： 李亮亮（１９９１一），男，湖北宜昌人，硕士、研究方向为云计算 收稿日期：２０１７—０２—２０ 修稿日期：２０１７—０３—１０ Ｅｎｅｒｇｙ Ｏｐｔｉｍｉｚａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ Ｐｒｅｄｉｃｔｉｖｅ ｉｎ Ｃｌｏｕｄ Ｅｎｖｉｒｏｎｍｅｎｔ ＬＩ Ｌｉａｎｇ－ｌｉａｎｇ （Ｃｏｌｌｅｇｅ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，Ｓｉｃｈｕａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ ６１００６５） Ａｂｓｔｒａｃｔ Ｗｉｔｈ ｔｈｅ ｒａｐｉｄ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｃｌｏｕｄ ｃｏｍｐｕｔｉｎｇ ｔｅｃｈｎｏｌｏｇｙ ｉｎ ｒｅｃｅｎｔ ｙｅａｒｓｍａｎｙ ｃｏｍｐａｎｉｅｓ ｍｏｖｅ ｔｈｅｉｒ ｂｕｓｉｎｅｓｓ ｔｏ ｔｈｅ ｃｌｏｕｄ．ａｎｄ ｈ０ｗ ｔｏ ，ｉｍｐｒｏｖｅ ｔｈｅ ｅｆｆｉｃｉｅｎｃｙ ｏｆ ｃｌｏｕｄ ｒｅｓｏｕｒｃｅｓ ｔｈｅｎ ｒｅｄｕｃｅ ｅｎｅｒｇｙ ｃｏｎｓｕｍｐｔｉｏｎ ｉｓ ａ ｐｒｏｂｌｅｍ ｗｈｉｃｈ ａｔｔｒａｃｔｓ ａ ｌｏｔ ｏｆ ｒｅｓｅａｒｃｈｅｒｓＡｉｍｉｎｇ ａｔ ｔｈｅ ．Ｗｅｂ ｓｅｒｖｉｃｅ ｄｅｐｌｏｙｅｄ ｉｌｌ ｔｈｅ ｐｒｉｖａｔｅ ｃｌｏｕｄ ｅｎｖｉｒｏｎｍｅｎｔ．ｐｕｔｓ ｆｏｒｗａｒｄ ａｎ ｅｎｅｒｇｙ ｃｏｎｓｕｍｐｔｉｏｎ ｏｐｔｉｍｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｌｏａｄ ｆｏｒｅ． ｃａｓｔｉｎｇ．Ｂｙ ｆｏｒｅｃａｓｔｉｎｇ ｔｈｅ ｓｙｓｔｅｍ ｌｏａｄ ａｎｄ ａｌｌｏｃａｔｉｎｇ ｔｈｅ ｄｉｓｐａｔｃｈｉｎｇ ｓｙｓｔｅｍ ｒｅｓｏｕｒｃｅｓ ｒｅａｓｏｎａｂｌｙ ｔｈｅ ｒｅｓｏｕｒｃｅ ｕｔｉｌｉｚａｔｉｏｎ ｅｆｆｉｃｉｅｎｃｖ ａｎｄ ｅｎｅｒｇｙ（‘（ｅｓｕｍｐｔｉｒｏｎ ａｒｅ ｉｍｐｒｏｖｅｄ ｅｆｆｅｃｔｉｖｅｌｙ．Ｆｉｎａｌｌｙ，ｔｈｅ ｆｅａｓｉｂｉｌｉｔｙ ａｎｄ ｖａｌｉｄｉｔｙ ｏｆ ｔｈｅ ａｌｇｏｒｉｔｈｍ ａｒｅ ｖｅｒｉｆｉｅｄ ｂｙ ｓｉｍｕｌａｔｉｏｎ ｅｘｐｅｒｉｍｅｎｔｓ． Ｋｅｙｗｏｒｄｓ： Ｃｈｌｕｄ Ｃｏｍｐｕｔｉｎｇ；Ｗｅｂ Ｓｅｒｖｉｃｅｓ；Ｒｅｓｏｕｒｃｅ Ｕｔｉｌｉｚａｔｉｏｎ；Ｅｎｅｒｇｙ＂Ｃｏｎｓｕｍｐｔｉｏｎ ⑨ 现代计算机２０１７．ｏ３下
