程春玲，王 穎，張登銀

（1．南京郵電大學(xué)計算機學(xué)院，江蘇南京210003；2．南京郵電大學(xué)物聯(lián)網(wǎng)科技園，江蘇南京210003）

云計算中基于動態(tài)閾值的服務(wù)器喚醒策略

程春玲1，王 穎1，張登銀2

（1．南京郵電大學(xué)計算機學(xué)院，江蘇南京210003；2．南京郵電大學(xué)物聯(lián)網(wǎng)科技園，江蘇南京210003）

基于預(yù)留機制的服務(wù)器動態(tài)開啟／關(guān)閉（dynamic powering on／off servers，DPS）策略采用靜態(tài)設(shè)置的任務(wù)請求數(shù)閾值，可能造成服務(wù)器狀態(tài)頻繁切換從而導(dǎo)致性能下降、能耗上升。對此，提出一種基于動態(tài)閾值的服務(wù)器喚醒策略。首先，用具有不耐煩任務(wù)的排隊模型對云計算系統(tǒng)的任務(wù)調(diào)度進(jìn)行建模，分析系統(tǒng)中的平均任務(wù)背叛數(shù)和能耗成本，提出任務(wù)請求數(shù)閾值動態(tài)調(diào)整策略；然后，根據(jù)服務(wù)器所在冷點區(qū)域和當(dāng)前關(guān)閉時長選擇服務(wù)器進(jìn)行喚醒。仿真結(jié)果表明，與基于靜態(tài)閾值的服務(wù)器喚醒策略相比，本文策略能夠保證任務(wù)的平均響應(yīng)時間，并有效降低云計算系統(tǒng)的能耗開銷。

云計算；服務(wù)器動態(tài)開啟／關(guān)閉；動態(tài)閾值；排隊論；不耐煩任務(wù)

0 引 言

近年來，隨著云計算規(guī)模的不斷增長，數(shù)據(jù)中心產(chǎn)生的能耗不斷增多，使云數(shù)據(jù)中心已經(jīng)出現(xiàn)兩難的情況：一方面由于物理服務(wù)器數(shù)量的不斷增多和處理能力的不斷增強，帶來了更多的能量消耗；另一方面每個服務(wù)器過低的利用率又造成了巨大的電能浪費［1］。目前，高能耗問題已經(jīng)成為云計算領(lǐng)域突出的問題，嚴(yán)重制約著云計算技術(shù)的發(fā)展。數(shù)據(jù)中心主要由IT設(shè)備、空調(diào)系統(tǒng)和配電系統(tǒng)3部分組成，調(diào)查顯示，IT設(shè)備是能耗最高的部分，約占數(shù)據(jù)中心總能耗的50%，其中用于數(shù)據(jù)處理的服務(wù)器能耗約占40%，存儲設(shè)備和網(wǎng)絡(luò)通信設(shè)備能耗各約占5%［2］。然而在服務(wù)器能耗中，85%都是無效的，這主要是因為云數(shù)據(jù)中心的服務(wù)器通常長時間處于開啟狀態(tài)，等待云任務(wù)的到達(dá)，而云任務(wù)到達(dá)具有隨機性，當(dāng)任務(wù)稀疏時，服務(wù)器處于空轉(zhuǎn)狀態(tài)，造成無效電力［3］。因此，在當(dāng)前和未來一段時間內(nèi)，云數(shù)據(jù)中心的能耗優(yōu)化管理尤其是服務(wù)器的能耗優(yōu)化管理至關(guān)重要。

目前，能耗優(yōu)化主要有兩種思路：開發(fā)出更加節(jié)能的硬件設(shè)備和關(guān)閉空閑設(shè)備，文獻(xiàn)［4］通過對云數(shù)據(jù)管理系統(tǒng)的測試和分析，提出降低“等待能耗”的第3種思路。在服務(wù)器能耗優(yōu)化方面，服務(wù)器動態(tài)開啟／關(guān)閉（dynamic powering on／off servers，DPS）技術(shù)仍是較為有效的一種方法。DPS技術(shù)通常針對服務(wù)器的開啟／關(guān)閉時機進(jìn)行設(shè)定或預(yù)測，在節(jié)點不提供服務(wù)的時段將其關(guān)閉，從而減少服務(wù)器能耗［5］。DPS技術(shù)主要包括超時策略、預(yù)測策略和隨機策略3類［6］。超時策略的基本思想是預(yù)先設(shè)定超時閾值，一旦空閑時間超過閾值，就切換到休眠模式，閾值可固定，也可隨系統(tǒng)自適應(yīng)調(diào)整。固定閾值策略［7］適合于對節(jié)約功耗要求不高、運行中出現(xiàn)變化少的設(shè)備，若要提高節(jié)能效率，則需要考慮閾值自適應(yīng)調(diào)整。文獻(xiàn)［8］通過構(gòu)建一個半馬爾可夫控制過程模型，結(jié)合梯度估計與隨機逼近提出了一種超時策略的自適應(yīng)優(yōu)化算法。算法設(shè)定初始閾值，求解一個帶約束的優(yōu)化問題，在滿足性能要求的情況下，使得系統(tǒng)的功耗最小，從而得到一個最優(yōu)的超時閾值。該算法可以以較少的計算量實現(xiàn)全局最優(yōu)解。文獻(xiàn)［9］分析了超時閾值選擇的影響因素，證實了綜合考慮系統(tǒng)休眠與喚醒的能量消耗、電池放電電壓大小和系統(tǒng)具體的應(yīng)用環(huán)境3方面是找到最優(yōu)閾值的捷徑。超時策略雖然實現(xiàn)簡單，但是超時閾值難以合理的設(shè)置，若設(shè)置過大，服務(wù)器在等待超時的過程中仍然處于工作狀態(tài)，不能有效地降低能耗；若設(shè)置過小，當(dāng)新的任務(wù)請求到達(dá)時經(jīng)常會引起服務(wù)延遲。預(yù)測策略的基本思想是通過對歷史空閑時間長度的學(xué)習(xí)來預(yù)測將來的空閑時間長度，根據(jù)預(yù)測結(jié)果是否大于空閑時間閾值決定是否需要關(guān)閉或休眠服務(wù)器。文獻(xiàn)［10］對經(jīng)典的指數(shù)平均算法進(jìn)行改進(jìn)，提出了自適應(yīng)指數(shù)平均算法（exponential double smoothing－based adaptive sampling，EDSAS），其應(yīng)對空閑時間序列波動較大情況的能力有所增強。文獻(xiàn)［11］提出了一種在線預(yù)測算法，該算法計算在固定間隔時間內(nèi)沒有任務(wù)到達(dá)服務(wù)器的概率P，若P＞0．5，就將服務(wù)器關(guān)閉。預(yù)測策略通常要求空閑時間值具有前后關(guān)聯(lián)性，然而現(xiàn)有的預(yù)測機制對于真實數(shù)據(jù)的預(yù)測效果均不甚理想［12］。文獻(xiàn)［13］結(jié)合超時策略和預(yù)測策略提出了一種新的低功耗自適應(yīng)混合算法，該算法能夠在請求突發(fā)期間調(diào)整超時值，在請求非突發(fā)期間決定服務(wù)器狀態(tài)，很好地適應(yīng)了突發(fā)性的請求到達(dá)模式，與超時、預(yù)測策略相比，能夠提供更低的功耗和更少的響應(yīng)時間。隨機策略將系統(tǒng)負(fù)載看成一個隨機優(yōu)化問題，利用隨機決策模型求解算法。文獻(xiàn)［14］提出了一個隨機動態(tài)模型，描述了在不確定條件下的資源配置策略，該策略基于馬爾可夫鏈概率模型，通過動態(tài)規(guī)劃實現(xiàn)問題求解。文獻(xiàn)［15］基于強化學(xué)習(xí)理論提出了一個自適應(yīng)算法，與傳統(tǒng)的隨機算法相比，該算法不需要先驗狀態(tài)轉(zhuǎn)移概率矩陣，能夠很好地適應(yīng)負(fù)載變化。隨機策略是在給定性能約束條件下尋求最小功耗的線性規(guī)劃問題，能夠得到問題的相對較優(yōu)解，然而該策略在實施過程中開銷過大，算法復(fù)雜度高，可應(yīng)用性較差［16］。

以上3種DPS策略都存在一定的不足，并且用戶請求的任務(wù)量是動態(tài)變化的，而云數(shù)據(jù)中心的服務(wù)器失效是一種常態(tài)，倘若在大量關(guān)閉服務(wù)器節(jié)點的同時突遇用戶任務(wù)請求高峰期，則由于啟動服務(wù)器需要花費一定的時間而無法及時地、有效地應(yīng)付云用戶的請求，因此研究者開始研究基于預(yù)留機制的DPS策略。基于預(yù)留機制的DPS策略通過預(yù)留服務(wù)器來緩沖任務(wù)量的動態(tài)變化，該策略將數(shù)據(jù)中心的服務(wù)器分為兩大模塊，其中永久運行服務(wù)器構(gòu)成服務(wù)主模塊（service main module，SMM），等待啟動的服務(wù)器構(gòu)成服務(wù)預(yù)留模塊（service reserved module，SRM），動態(tài)決定該預(yù)留模塊中的服務(wù)器狀態(tài)。文獻(xiàn)［17］提出了never－off策略：數(shù)據(jù)中心的服務(wù)器全部開啟，等待任務(wù)的到達(dá)并提供服務(wù)。相對于never－off策略，基于預(yù)留機制的DPS策略可以獲得較好的節(jié)能效果。文獻(xiàn)［18］從經(jīng)濟(jì)學(xué)角度出發(fā)，提出基于預(yù)留機制的服務(wù)器狀態(tài)管理策略，根據(jù)用戶支付給云數(shù)據(jù)中心的費用與云數(shù)據(jù)中心支付的電費的大小關(guān)系決定SRM中服務(wù)器的狀態(tài)。另外，一些文獻(xiàn)［19－21］從設(shè)置閾值出發(fā)，對服務(wù)器狀態(tài)進(jìn)行管理，當(dāng)集群利用率、任務(wù)請求數(shù)或其他性能指標(biāo)超出閾值時，開啟SRM中的服務(wù)器；低于閾值時，關(guān)閉SRM中被開啟的服務(wù)器。文獻(xiàn)［19］設(shè)置服務(wù)器集群利用率閾值，根據(jù)系統(tǒng)當(dāng)前的集群利用率與集群利用率閾值的關(guān)系動態(tài)地配置SRM中服務(wù)器的狀態(tài)。文獻(xiàn)［20］基于休假排隊系統(tǒng)中休假時間選擇的思想設(shè)置任務(wù)請求數(shù)閾值，該閾值的選取考慮了用戶給定的延遲上限以及服務(wù)器的開啟和關(guān)閉速率。文獻(xiàn)［21］根據(jù)任務(wù)的期望執(zhí)行時間將任務(wù)分配到相應(yīng)任務(wù)緩沖區(qū)中，并設(shè)置任務(wù)錯失率上閾值和任務(wù)請求數(shù)下閾值，當(dāng)任務(wù)緩沖區(qū)中的任務(wù)錯失率高于上閾值Ψ時，開啟服務(wù)器，當(dāng)任務(wù)緩沖區(qū)對應(yīng)的任務(wù)請求數(shù)低于下閾值γ時，關(guān)閉服務(wù)器。文獻(xiàn)［19］的集群利用率和文獻(xiàn)［21］的任務(wù)錯失率，本質(zhì)上都是與任務(wù)請求數(shù)相關(guān)的，因為任務(wù)請求數(shù)越多，相對地，服務(wù)器集群利用率、任務(wù)緩沖區(qū)中任務(wù)錯失率就越高。但文獻(xiàn)［19－21］中與任務(wù)請求數(shù)相關(guān)的閾值都是靜態(tài)設(shè)置的，不能根據(jù)實際情況動態(tài)調(diào)整。此外，當(dāng)需要開啟SRM中的服務(wù)器時，需要考慮選擇哪個服務(wù)器進(jìn)行喚醒。文獻(xiàn)［22］指出現(xiàn)有的集群系統(tǒng)中Maui作業(yè)調(diào)度器提供的經(jīng)典服務(wù)器分配算法是CPULoad，該算法選擇服務(wù)器的依據(jù)是可用CPU計算能力，然而文獻(xiàn)［23］指出服務(wù)器集群中存在“熱點區(qū)域”，“熱點區(qū)域”通常會加快硬件失效的速度，給數(shù)據(jù)中心帶來額外開銷，所以可以根據(jù)溫度因素優(yōu)化選擇要喚醒的服務(wù)器，但是該文獻(xiàn)只考慮了制冷設(shè)備對服務(wù)器運行的影響，沒有考慮頻繁的狀態(tài)切換對服務(wù)器自身造成的不良結(jié)果。綜上，基于預(yù)留機制的服務(wù)器狀態(tài)管理策略存在一定的不足，從任務(wù)請求數(shù)閾值角度出發(fā)的DPS策略主要存在以下不足：

（1）靜態(tài)設(shè)置的任務(wù)請求數(shù)閾值可能造成系統(tǒng)的抖動。如果排隊的任務(wù)請求數(shù)在任務(wù)請求數(shù)閾值左右徘徊，可能造成SRM中的服務(wù)器頻繁地在關(guān)閉和開啟狀態(tài)間切換，不僅不能達(dá)到節(jié)能的目的，還會造成系統(tǒng)性能的下降。

（2）當(dāng)需要開啟SRM中的服務(wù)器時，依據(jù)CPU計算能力選擇服務(wù)器可能會導(dǎo)致SRM中的部分服務(wù)器經(jīng)常被選擇，使得部分服務(wù)器狀態(tài)轉(zhuǎn)換次數(shù)較大，導(dǎo)致能耗的上升；此外，溫度的快速波動會對服務(wù)器的運行產(chǎn)生負(fù)面影響，導(dǎo)致服務(wù)器的性能變差，加快硬件失效的速度。

針對以上不足，本文改進(jìn)了基于預(yù)留機制的服務(wù)器狀態(tài)管理策略，提出一種基于動態(tài)閾值的服務(wù)器喚醒策略來優(yōu)化管理云數(shù)據(jù)中心的服務(wù)器狀態(tài)，其改進(jìn)點在于：

（1）根據(jù)系統(tǒng)中的平均任務(wù)背叛數(shù)和能耗成本動態(tài)調(diào)整任務(wù)請求數(shù)閾值，使得云計算系統(tǒng)在性能和節(jié)能之間達(dá)到相對平衡；

（2）根據(jù)服務(wù)器冷點區(qū)域優(yōu)先級和時間優(yōu)先級選擇喚醒服務(wù)器，使服務(wù)器關(guān)閉／休眠時間盡可能長，減少服務(wù)器狀態(tài)轉(zhuǎn)換次數(shù)，做到能耗的進(jìn)一步優(yōu)化以及保證數(shù)據(jù)中心服務(wù)器的穩(wěn)定。

1 云計算系統(tǒng)排隊調(diào)度模型

在云數(shù)據(jù)中心，任務(wù)請求隨機到達(dá)系統(tǒng)，當(dāng)任務(wù)到達(dá)時，如果系統(tǒng)內(nèi)有空閑的服務(wù)器，則直接調(diào)度到相應(yīng)的空閑服務(wù)器運行，否則該任務(wù)在全局任務(wù)隊列中排隊等待，系統(tǒng)根據(jù)當(dāng)前排隊的任務(wù)請求數(shù)是否超過任務(wù)請求數(shù)閾值決定是否喚醒額外的服務(wù)器；在排隊過程中，任務(wù)等待服務(wù)器的響應(yīng)具有一定的忍耐度，若等待時間過長，就會引起用戶出現(xiàn)不耐煩情緒，從而離開隊伍去別處另求服務(wù)，即發(fā)生“任務(wù)背叛”。云數(shù)據(jù)中心當(dāng)前處于開啟狀態(tài)的服務(wù)器數(shù)量越少，發(fā)生任務(wù)背叛的強度越高。以上任務(wù)到達(dá)系統(tǒng)并接受服務(wù)的調(diào)度過程可以用具有不耐煩任務(wù)的排隊系統(tǒng)來建模，圖1是基于具有不耐煩任務(wù)的M／M／n排隊系統(tǒng)調(diào)度框架。

圖1 云計算系統(tǒng)中具有不耐煩任務(wù)的排隊調(diào)度模型

圖1中，任務(wù)以泊松流到達(dá)云計算系統(tǒng)，平均到達(dá)率為λ，任務(wù)控制器按照先來先服務(wù)的原則將任務(wù)隊列中的任務(wù)調(diào)度到相應(yīng)服務(wù)器節(jié)點，服務(wù)器節(jié)點接收并執(zhí)行任務(wù)，平均服務(wù)率為μ。本模型假設(shè)任務(wù)到達(dá)過程相互獨立，所有服務(wù)器的服務(wù)過程也相互獨立。數(shù)據(jù)中心共提供N臺同構(gòu)的服務(wù)器，其中的n（0≤n≤N）臺服務(wù)器構(gòu)成SMM，剩下的N－n臺服務(wù)器構(gòu)成SRM。狀態(tài)管理器根據(jù)全局任務(wù)隊列Qglobal中的任務(wù)請求數(shù)與任務(wù)請求數(shù)閾值的關(guān)系對SRM中的服務(wù)器進(jìn)行狀態(tài)管理。Qglobal中的排隊系統(tǒng)可定義為三元組（k，Φk，non），其中，k表示系統(tǒng)中當(dāng)前排隊的任務(wù)數(shù)；Φk表示系統(tǒng)中不耐煩任務(wù)離去的強度（發(fā)生任務(wù)背叛的強度），其值與系統(tǒng)中的排隊長k有關(guān)（排隊長為k時，發(fā)生任務(wù)背叛的強度為Φk），且Φk→∞（當(dāng)k→∞）；non為云計算系統(tǒng)處于開啟狀態(tài)的服務(wù)器數(shù)量。

全局任務(wù)隊列中具有不耐煩顧客的M／M／n排隊系統(tǒng)的狀態(tài)流圖如圖2所示。

圖2 具有不耐煩顧客的M／M／n排隊系統(tǒng)的狀態(tài)流圖

圖2中，0，1，…，n，n＋1，…，n＋k分別表示云計算系統(tǒng)處于各種不同的狀態(tài)，其中0狀態(tài)表示系統(tǒng)中沒有任務(wù)執(zhí)行，也沒有任務(wù)排隊，處于該狀態(tài)的概率為p0；n＋k（0≤n；0≤k）狀態(tài)表示系統(tǒng)中有n個任務(wù)正在執(zhí)行，有k個任務(wù)正在排隊，處于該狀態(tài)的概率為pn＋k。

2 基于動態(tài)閾值的服務(wù)器喚醒策略

2．1 任務(wù)請求數(shù)閾值的動態(tài)調(diào)整

將服務(wù)器喚醒需要消耗電力，如果服務(wù)器喚醒后只是短暫的使用，那么這個喚醒能耗就無法帶來收益，因此合理設(shè)置任務(wù)請求數(shù)閾值可以優(yōu)化管理服務(wù)器的狀態(tài)。較小的任務(wù)請求數(shù)閾值可以促使服務(wù)器快速啟動以降低服務(wù)延遲，而較大的任務(wù)請求數(shù)閾值可以避免開啟過多預(yù)留模塊的服務(wù)器，有利于降低系統(tǒng)能耗。為了在性能和能耗之間取得較好的平衡，可以根據(jù)平均任務(wù)背叛數(shù)和能耗成本共同控制任務(wù)請求數(shù)閾值的變化。

2．1．1 平均任務(wù)背叛數(shù)的計算

系統(tǒng)當(dāng)前的平均任務(wù)背叛數(shù)L是系統(tǒng)排隊長為i（1≤i≤k）時發(fā)生任務(wù)背叛的強度以及系統(tǒng)排隊長為i的概率乘積求和，則L為

式中，pi為云計算系統(tǒng)中排隊長為i（1≤i≤k）的概率；Φi為系統(tǒng)排隊長為i時發(fā)生任務(wù)背叛的強度。

要計算出L，須求出在當(dāng)前已經(jīng)開啟的服務(wù)器總數(shù)non下系統(tǒng)處于各個狀態(tài)的概率，為簡便表示，設(shè)Φi＝δ×i（即任務(wù)背叛強度是排隊長的正比例函數(shù)，δ為正比例系數(shù)），設(shè)，到達(dá)云計算系統(tǒng)的任務(wù)總數(shù)為K，初始時刻，系統(tǒng)開啟的服務(wù)器數(shù)量為永久運行的服務(wù)器數(shù)量n，則根據(jù)圖2，可以列出已經(jīng)開啟的服務(wù)器數(shù)量為n時系統(tǒng)平衡條件下的K氏方程。

當(dāng)K≤non時：

對0狀態(tài)有λp0＝μp1，得

對n－1狀態(tài)有λpn－1＝nμpn，得

當(dāng)K＞non時：

對n狀態(tài)有λpn＝（nμ＋δ）pn＋1，得

一般地

已知狀態(tài)轉(zhuǎn)移概率的正則性條件為

將式（2）～式（5）代入式（6），可以計算得到p0的值為

綜上，系統(tǒng)當(dāng)前的平均任務(wù)背叛數(shù)L的計算公式為

式中，系統(tǒng)當(dāng)前排隊的任務(wù)數(shù)k、開啟的服務(wù)器數(shù)量non可以從系統(tǒng)當(dāng)前運行情況獲得；正比例系數(shù)δ、系統(tǒng)的任務(wù)平均到達(dá)率λ、系統(tǒng)的服務(wù)器平均服務(wù)率μ可以通過長期監(jiān)測云計算系統(tǒng)的運行情況統(tǒng)計獲得。

2．1．2 能耗成本的計算

云數(shù)據(jù)中心中，服務(wù)器處于不同狀態(tài)下的功耗不同。設(shè)處于繁忙運行的服務(wù)器的功耗為Pbusy；處于空閑運行的服務(wù)器的功耗為Pidle；服務(wù)器從關(guān)閉／休眠狀態(tài)轉(zhuǎn)換為開啟狀態(tài)消耗的功耗為Poff－＞on，轉(zhuǎn)換時間為tswitch；服務(wù)器從開啟狀態(tài)轉(zhuǎn)換為關(guān)閉／休眠狀態(tài)消耗的電量和轉(zhuǎn)換時間很少，可以忽略不計。系統(tǒng)按預(yù)設(shè)的周期T計算能耗成本，設(shè)在周期T內(nèi)，SRM中有x臺服務(wù)器處于繁忙運行狀態(tài)，有y臺服務(wù)器處于空閑運行狀態(tài)，則云計算系統(tǒng)在周期T內(nèi)運行能耗Prun和轉(zhuǎn)換能耗Pswitch分別為

則在一個周期內(nèi)總的能耗成本

2．1．3 任務(wù)請求數(shù)閾值的動態(tài)控制

若平均任務(wù)背叛數(shù)較多，說明任務(wù)請求隊列過長，處于運行狀態(tài)服務(wù)器數(shù)量較少，表明上次設(shè)置的閾值較大，因此可以將閾值調(diào)??；若能耗較大，說明開啟的預(yù)留服務(wù)器較多，表明上次設(shè)置的閾值較小，因此可以將閾值調(diào)大。調(diào)整方法如下：

其中，閾值調(diào)整參數(shù)

式中，α（t）為第t個周期的任務(wù)請求數(shù)閾值，t＝｛1，2，3…｝；初始值α（1）在數(shù)值上設(shè)為云計算系統(tǒng)中的服務(wù)器的總數(shù)N；k為當(dāng)前排隊的任務(wù)數(shù)；L為當(dāng)前的平均任務(wù)背叛數(shù)；Lfixed為任務(wù)背叛數(shù)閾值；Pbusy為單臺服務(wù)器處于繁忙運行狀態(tài)的功耗；Pfixed為能耗成本閾值；n為永久運行服務(wù)器的數(shù)量；x為SRM中當(dāng)前處于繁忙運行狀態(tài)的服務(wù)器數(shù)量；ROUND為取整函數(shù)。

2．2 服務(wù)器節(jié)點的選擇喚醒

通常云數(shù)據(jù)中心采用中央空調(diào)，并且采用通風(fēng)地磚實現(xiàn)云數(shù)據(jù)中心制冷［23］，典型的數(shù)據(jù)中心機房制冷設(shè)備部署如圖3所示，數(shù)據(jù)中心機房中共有I個通風(fēng)口，由于各個通風(fēng)口成行排列，可以將三維空間的距離問題轉(zhuǎn)化為二維平面的距離問題（只考慮橫向坐標(biāo)和豎向坐標(biāo)），并且距離服務(wù)器最近的通風(fēng)口對服務(wù)器的溫度影響最大（其余的通風(fēng)口與服務(wù)器之間隔著一系列服務(wù)器機組，從而對服務(wù)器的溫度影響可以忽略不計）。設(shè)第i（1≤i≤I）個通風(fēng)口的坐標(biāo)為（Xi，0），第j個服務(wù)器節(jié)點的坐標(biāo)為（xj，zj）（1≤j≤N），服務(wù)器j到通風(fēng)口i的距離記為disji，設(shè)dj表示第j個服務(wù)器的冷點區(qū)域優(yōu)先級，服務(wù)器節(jié)點距離通風(fēng)口距離越短，溫度越低，服務(wù)器節(jié)點的冷點區(qū)域優(yōu)先級越高；tj表示第j個服務(wù)器節(jié)點的時間優(yōu)先級，服務(wù)器的頻繁開關(guān)會影響服務(wù)器的性能，上一次關(guān)閉時刻距離當(dāng)前時間越長，服務(wù)器節(jié)點的時間優(yōu)先級越高。

圖3 數(shù)據(jù)中心機房制冷設(shè)備部署

2．2．1 冷點區(qū)域優(yōu)先級

首先計算服務(wù)器j到最近一個通風(fēng)口的距離disji，根據(jù)disji按照固定組距r劃分d優(yōu)先級，若disji∈［0，r），則為1級冷點區(qū)域，依此類推；dj的計算公式為

2．2．2 時間優(yōu)先級

為系統(tǒng)SRM中的服務(wù)器設(shè)置計時器，初始時刻計時器的值為∞，當(dāng)服務(wù)器開啟后運行一段時間并再次關(guān)閉的時候，該服務(wù)器上計時器的值更新為0，并重新開始計時。計時器的值越大，該服務(wù)器的時間優(yōu)先級越高。若服務(wù)器j上的計時器關(guān)閉，則Timerj＝0，此時∞表示計時器的計時值；反之，若服務(wù)器j上的計時器開啟，則Timerj＝1，此時Timerj·t表示服務(wù)器j上計時器的計時值。tj的計算公式如下：

2．3 基于動態(tài)閾值的服務(wù)器喚醒算法

基于動態(tài)閾值的服務(wù)器喚醒（servers awakening based on dynamic threshold，SADT）算法過程為：

步驟1 初始化

包括全局任務(wù)隊列初始化、任務(wù)請求數(shù)閾值初始化、確定冷點區(qū)域優(yōu)先級。

步驟2 接收用戶的任務(wù)請求

若SMM中有空閑服務(wù)器，則按照先來先服務(wù)原則將該任務(wù)調(diào)度到空閑服務(wù)器上，否則任務(wù)進(jìn)入全局任務(wù)隊列等待。

步驟3 按預(yù)設(shè)周期T動態(tài)調(diào)整任務(wù)請求數(shù)閾值

計算平均任務(wù)背叛數(shù)和能耗成本，根據(jù)計算結(jié)果與任務(wù)背叛數(shù)閾值和能耗成本閾值的關(guān)系調(diào)整任務(wù)請求數(shù)閾值。

步驟4 喚醒服務(wù)器

當(dāng)排隊的任務(wù)請求數(shù)超過任務(wù)請求數(shù)閾值時，首先根據(jù)服務(wù)器的冷點區(qū)域優(yōu)先級選擇冷點區(qū)域，再根據(jù)冷點區(qū)域上SRM服務(wù)器的時間優(yōu)先級來確定最終選擇的服務(wù)器。

SADT算法的偽代碼描述如下：

輸入：任務(wù)及其屬性

輸出：服務(wù)器選擇喚醒方案

SADT算法從服務(wù)器的喚醒時機和喚醒對象兩個角度改進(jìn)了現(xiàn)有基于預(yù)留機制的DPS算法。在喚醒時機上，通過具有不耐煩顧客的排隊論分析系統(tǒng)的平均任務(wù)背叛數(shù)和能耗成本來動態(tài)設(shè)置任務(wù)請求數(shù)閾值，解決了傳統(tǒng)的靜態(tài)閾值取值困難、依賴于主觀經(jīng)驗、難以適應(yīng)動態(tài)的云任務(wù)負(fù)載而出現(xiàn)系統(tǒng)抖動問題；在喚醒對象上，根據(jù)服務(wù)器的溫度和運行時間選擇需喚醒的服務(wù)器，解決了隨機選擇服務(wù)器喚醒的不確定性，避免了根據(jù)CPU計算能力選擇服務(wù)器可能造成的部分服務(wù)器被頻繁喚醒引起的性能下降和服務(wù)器失效。SADT算法的時間復(fù)雜度為O（KN），其中，K為到達(dá)云計算系統(tǒng)的任務(wù)總數(shù)，N為云數(shù)據(jù)中心的服務(wù)器總數(shù)，與傳統(tǒng)的基于預(yù)留機制的DPS算法和never－off算法［17］的時間復(fù)雜度相同。

3 仿真及結(jié)果分析

3．1 實驗環(huán)境和參數(shù)設(shè)置

在CloudSim－2．1．1環(huán)境下，設(shè)計了3組實驗，對本文改進(jìn)的動態(tài)閾值策略、選擇喚醒策略和完整的基于動態(tài)閾值的服務(wù)器喚醒策略，分別從任務(wù)的平均響應(yīng)時間和系統(tǒng)執(zhí)行任務(wù)產(chǎn)生的總能耗兩個方面進(jìn)行仿真來評估算法的性能。實驗建立了一個由100個服務(wù)器組成的數(shù)據(jù)中心，其中75個SMM服務(wù)器，25個等待啟動的SRM服務(wù)器。首先生成一批獨立的任務(wù)請求，使得任務(wù)的到達(dá)間隔時間服從參數(shù)為1／λ的負(fù)指數(shù)分布，該間隔時間可以通過負(fù)指數(shù)分布函數(shù)來生成。根據(jù)任務(wù)的到達(dá)時間間隔，計算得到每個任務(wù)到達(dá)系統(tǒng)的時刻，最終確定所有任務(wù)到達(dá)系統(tǒng)的時刻。系統(tǒng)按照先來先服務(wù)的原則調(diào)度任務(wù)，當(dāng)任務(wù)到達(dá)系統(tǒng)時，若發(fā)現(xiàn)系統(tǒng)中有空閑運行服務(wù)器，則該任務(wù)調(diào)度到空閑運行服務(wù)器上執(zhí)行，此時系統(tǒng)對該任務(wù)的響應(yīng)時間為服務(wù)時間；若系統(tǒng)中沒有空閑運行服務(wù)器，則該任務(wù)需要在全局任務(wù)隊列中排隊等候，在任務(wù)排隊的過程中，根據(jù)平均任務(wù)背叛數(shù)和能耗成本調(diào)整任務(wù)請求數(shù)閾值，并根據(jù)當(dāng)前排隊的任務(wù)請求數(shù)與任務(wù)請求數(shù)的關(guān)系決定是否開啟SRM中服務(wù)器，當(dāng)系統(tǒng)中有空閑運行的服務(wù)器或已經(jīng)額外開啟SRM中的服務(wù)器時，繼續(xù)調(diào)度全局任務(wù)隊列中隊首的任務(wù)，此時系統(tǒng)對該任務(wù)的響應(yīng)時間為該任務(wù)的等待時間和服務(wù)時間之和，當(dāng)所有任務(wù)全部執(zhí)行完成時，模擬實驗結(jié)束。實驗的機器配置為：CPU Intel（R）Core（TM）2Duo T6500＠2．10GHz；內(nèi)存3GB；硬盤320GB；OS Windows 8 Enterprise Professional 32位。

實驗中，為了保證仿真系統(tǒng)的運行存在平穩(wěn)狀態(tài)，設(shè)置0＜λ／μ＜1；服務(wù)器空閑運行功耗和服務(wù)器繁忙運行功耗的比值為0．7；實驗環(huán)境涉及的相關(guān)參數(shù)以及取值如表1所示。

表1 實驗參數(shù)設(shè)置

3．2 實驗及其結(jié)果分析

由于本文提出的SADT算法的改進(jìn)主要在于閾值的動態(tài)調(diào)整和服務(wù)器的選擇喚醒，因此，先分別對兩個改進(jìn)點進(jìn)行對比實驗，再評估SADT算法的整體性能和能耗開銷。

3．2．1 動態(tài)閾值策略的比較

首先，仿真比較了在隨機選擇服務(wù)器喚醒的情況下，本文提出的任務(wù)請求數(shù)閾值動態(tài)調(diào)整、never－off算法［17］和靜態(tài)閾值算法［20］的任務(wù)平均響應(yīng)時間和系統(tǒng)執(zhí)行任務(wù)產(chǎn)生的總能耗。

平均響應(yīng)時間為任務(wù)集上所有任務(wù)響應(yīng)時間的平均值，反映了DPS策略的執(zhí)行性能，平均響應(yīng)時間越短，DPS策略的執(zhí)行性能越高。實驗比較了任務(wù)數(shù)在10～1 000個，每次遞增變化時，3種算法的平均響應(yīng)時間，實驗結(jié)果如圖4所示。

從圖4可以看出，當(dāng)任務(wù)數(shù)小于200時，3種算法的平均響應(yīng)時間差別不大，這是由于任務(wù)數(shù)量較小時，云數(shù)據(jù)中心已經(jīng)開啟的服務(wù)器數(shù)量能夠滿足任務(wù)的需求。隨著任務(wù)數(shù)的增加，never－off算法的平均響應(yīng)時間最短，靜態(tài)閾值算法的平均響應(yīng)時間最長，本文算法的平均響應(yīng)時間介于上述兩者之間。這是由于在never－off算法中，云數(shù)據(jù)中心的服務(wù)器全部開啟并提供服務(wù)，所有任務(wù)都可以盡快地分配到服務(wù)器；在靜態(tài)閾值算法中，當(dāng)開啟的服務(wù)器增加到一定數(shù)量后就不再增加，因此當(dāng)任務(wù)數(shù)繼續(xù)增多時，部分任務(wù)排隊等候，使平均響應(yīng)時間增長，不能較好地滿足云任務(wù)的響應(yīng)時間需求；而在本文算法中，云數(shù)據(jù)中心的運行服務(wù)器數(shù)量能夠根據(jù)任務(wù)背叛情況動態(tài)改變，能夠較好地滿足云任務(wù)的響應(yīng)時間需求。

圖4 不同閾值下的平均響應(yīng)時間

系統(tǒng)總能耗為系統(tǒng)運行期間所有服務(wù)器產(chǎn)生的能耗總和，反映了DPS策略的節(jié)能效果。當(dāng)任務(wù)數(shù)在10～1 000個，每次遞增變化時，3種算法的系統(tǒng)總能耗如圖5所示。

圖5 不同閾值下的系統(tǒng)總能耗

從圖5可以看出，never－off算法的能耗開銷最大，本文算法的能耗開銷最小，靜態(tài)閾值算法的能耗開銷介于上述兩者之間。這是由于在never－off算法中，數(shù)據(jù)中心的服務(wù)器全部開啟等待任務(wù)的到達(dá)，而服務(wù)器空閑運行時會產(chǎn)生大量空閑能耗，因此never－off的節(jié)能效果最差；在靜態(tài)閾值算法中，只有當(dāng)任務(wù)數(shù)超過任務(wù)請求數(shù)閾值時，部分服務(wù)器才開啟并提供服務(wù)，避免了大量空閑能耗的產(chǎn)生，因此靜態(tài)閾值算法相對never－off算法有一定的改進(jìn)；然而靜態(tài)設(shè)置的任務(wù)請求數(shù)閾值，可能造成服務(wù)器狀態(tài)頻繁切換從而導(dǎo)致能耗的上升，在本文算法中，可以根據(jù)系統(tǒng)運行情況動態(tài)調(diào)整任務(wù)請求數(shù)閾值，決策出相對較優(yōu)的運行服務(wù)器數(shù)量，避免開啟過多預(yù)留模塊的服務(wù)器，有利于降低云數(shù)據(jù)中心空閑能耗。

通過對動態(tài)閾值策略的仿真比較可以看出，never－off算法能最好地保證系統(tǒng)性能，但是該策略所消耗的總能耗卻也最大，不能夠照顧云數(shù)據(jù)中心的利益；靜態(tài)閾值算法雖然在一定程度上能夠照顧到云數(shù)據(jù)中心的利益，達(dá)到較好的節(jié)能效果，但是任務(wù)數(shù)較多時，不能照顧到云用戶的利益，使得系統(tǒng)執(zhí)行任務(wù)的平均響應(yīng)時間較長；而本文的動態(tài)閾值策略能夠兼顧云用戶和云數(shù)據(jù)中心的利益，相對較優(yōu)。

3．2．2 選擇喚醒策略的比較

本節(jié)評估了在靜態(tài)設(shè)置的任務(wù)請求數(shù)閾值下，不同的喚醒服務(wù)器策略對系統(tǒng)性能的影響。從任務(wù)的平均響應(yīng)時間和系統(tǒng)執(zhí)行任務(wù)產(chǎn)生的總能耗比較了本文的服務(wù)器喚醒策略、CPUload喚醒算法［22］、溫度感知喚醒算法［23］3種算法的執(zhí)行效果。首先，比較了任務(wù)數(shù)在10～1 000個，每次遞增變化時，3種算法的平均響應(yīng)時間，仿真結(jié)果如圖6所示。

圖6 不同喚醒策略下的平均響應(yīng)時間

從圖6可以看出，文獻(xiàn)［22］算法的平均響應(yīng)時間最長，本文算法的平均響應(yīng)時間最短，文獻(xiàn)［23］算法的平均響應(yīng)時間介于上述兩者之間。這是因為在文獻(xiàn)［22］算法中，只根據(jù)CPU計算能力選擇喚醒服務(wù)器，在文獻(xiàn)［23］算法中，根據(jù)服務(wù)器和制冷設(shè)備的相對位置選擇服務(wù)器喚醒，這樣會導(dǎo)致部分服務(wù)器節(jié)點頻繁在關(guān)閉態(tài)和開啟態(tài)之間切換，加快服務(wù)器節(jié)點失效，從而需要開啟額外的服務(wù)器，因此會延長服務(wù)器對任務(wù)的響應(yīng)時間；而在本文算法中，同時根據(jù)冷點區(qū)域優(yōu)先級和時間優(yōu)先級優(yōu)化選擇服務(wù)器，這樣就不會導(dǎo)致部分服務(wù)器溫度的快速波動，從而減緩服務(wù)器的失效速度，不至于影響服務(wù)器對任務(wù)的響應(yīng)時間。

本節(jié)評估了3種算法的系統(tǒng)總能耗，實驗中，任務(wù)數(shù)在10～1 000個，每次遞增變化時，3種算法的系統(tǒng)總能耗仿真結(jié)果如圖7所示。

圖7 不同喚醒策略下的系統(tǒng)總能耗

從圖7可以看出，文獻(xiàn)［22］算法的系統(tǒng)總能耗最高，本文算法的系統(tǒng)總能耗最低，文獻(xiàn)［23］算法的系統(tǒng)總能耗介于上述兩者之間，這是因為在文獻(xiàn)［22］算法中，只根據(jù)CPU計算能力選擇喚醒服務(wù)器；文獻(xiàn)［23］算法中，根據(jù)服務(wù)器和制冷設(shè)備的相對位置選擇喚醒服務(wù)器，相對文獻(xiàn)［22］算法有一定的改進(jìn)，然而該算法沒有考慮頻繁的狀態(tài)切換對服務(wù)器自身造成的不良結(jié)果；而在本文算法中，能夠優(yōu)化選擇已關(guān)閉時間長度較大的服務(wù)器進(jìn)行喚醒，不至于導(dǎo)致SRM中的部分服務(wù)器頻繁進(jìn)行狀態(tài)切換，從而減緩服務(wù)器失效的速度，不需要開啟額外的服務(wù)器，因此產(chǎn)生的轉(zhuǎn)換能耗較低，相應(yīng)產(chǎn)生的系統(tǒng)總能耗就低。

通過對選擇喚醒策略的仿真比較可以看出，本文算法的平均響應(yīng)時間小，產(chǎn)生的系統(tǒng)總能耗低。因此，本文的選擇喚醒策略相對較優(yōu)。

3．2．3 SADT算法的性能分析

最后，完整地將本文提出的SADT算法與無閾值的服務(wù)器喚醒算法［17］、基于靜態(tài)閾值的服務(wù)器喚醒算法［20］進(jìn)行比較。同樣仿真了當(dāng)任務(wù)數(shù)在10～1 000個，每次遞增變化時，3種算法的任務(wù)平均響應(yīng)時間和系統(tǒng)總能耗，實驗結(jié)果分別如圖8、圖9所示。

圖8 完整算法的平均響應(yīng)時間

圖9 完整算法的系統(tǒng)總能耗

從圖8可以看出，文獻(xiàn)［17］算法的平均響應(yīng)時間最短，文獻(xiàn)［20］算法的平均響應(yīng)時間最長，而本文算法的平均響應(yīng)時間介于上述兩者之間，這是因為本文算法能夠根據(jù)任務(wù)阻塞率動態(tài)調(diào)整任務(wù)請求數(shù)閾值，從而動態(tài)控制數(shù)據(jù)中心的活躍服務(wù)器數(shù)量，不會造成云數(shù)據(jù)中心開啟的服務(wù)器數(shù)量過少，可以很好地適應(yīng)云用戶的要求。

從圖9可以看出，文獻(xiàn)［17］算法的系統(tǒng)總能耗最高，文獻(xiàn)［20］算法的系統(tǒng)總能耗次之，本文算法的系統(tǒng)總能耗最低，這是因為本文算法能夠根據(jù)能耗成本動態(tài)調(diào)整任務(wù)請求數(shù)閾值，從而動態(tài)控制數(shù)據(jù)中心的活躍服務(wù)器數(shù)量，不會造成云數(shù)據(jù)中心開啟的服務(wù)器數(shù)量過多，因此降低了云數(shù)據(jù)中心的整體能耗。

綜上，本文提出的SADT算法能夠兼顧到云用戶和云數(shù)據(jù)中心的利益，既保證了系統(tǒng)對任務(wù)的平均響應(yīng)時間又降低了云計算系統(tǒng)的能耗開銷。

4 結(jié)束語

云數(shù)據(jù)中心需要消耗大量電力來維持其正常工作，向云用戶提供服務(wù)，基于預(yù)留機制的服務(wù)器狀態(tài)管理策略可以確保服務(wù)器給用戶提供較高性能的服務(wù)并且減少服務(wù)器的電力消耗。本文在基于預(yù)留機制的服務(wù)器狀態(tài)管理策略的基礎(chǔ)上，提出了一種基于動態(tài)閾值的服務(wù)器喚醒策略。該策略綜合考慮用戶端的任務(wù)背叛情況和服務(wù)端的能耗成本情況，動態(tài)調(diào)整任務(wù)請求數(shù)閾值，并根據(jù)服務(wù)器的冷點區(qū)域優(yōu)先級和時間優(yōu)先級來控制喚醒服務(wù)器的選擇，從而做到性能的保證和能耗的進(jìn)一步優(yōu)化。

到達(dá)云計算系統(tǒng)的任務(wù)分為實時任務(wù)和非實時任務(wù)，實時任務(wù)對任務(wù)的截止期有一定要求，本文主要面向非實時任務(wù)，下一步將重點考慮用戶對任務(wù)截止期的要求，面向硬實時任務(wù)和軟實時任務(wù)，結(jié)合動態(tài)開啟／關(guān)閉技術(shù)、動態(tài)電壓和頻率調(diào)整技術(shù)，進(jìn)一步對云計算系統(tǒng)的能耗進(jìn)行優(yōu)化管理。

［1］Beloglazov A．Energy－efficient management of virtual machines in data centers for cloud computing［D］．Melbourne：The University of Melbourne，2013．

［2］Gu L J，Zhou F Q，Meng H．The research of power consumption and energy efficiency in our datacenter［J］．The Energy of China，2010，32（11）：42－45．（谷立靜，周伏秋，孟輝．我國數(shù)據(jù)中心能耗及能效水平研究［J］．中國能源，2010，32（11）：42－45．）

［3］Tan Y M，Zeng G S，Wang W．Policy of energy optimal management for cloud computing platform with stochastic tasks［J］．Journal of Software，2012，23（2）：266－278．（譚一鳴，曾國蓀，王偉．隨機任務(wù)在云計算平臺中能耗的優(yōu)化管理方法［J］．軟件學(xué)報，2012，23（2）：266－278．）

［4］Song J，Li T T，Zhu Z L，et al．Benchmarking and analyzing the energy consumption of cloud data management system［J］．Chinese Journal of Computers，2013，36（7）：1485－1499．（宋杰，李甜甜，朱志良，等．云數(shù)據(jù)管理系統(tǒng)能耗基準(zhǔn)測試與分析［J］．計算機學(xué)報，2013，36（7）：1485－1499．）

［5］Kumar J A，Vasudevan S．Verifying dynamic power management schemes using statistical model checking［C］∥Proc．of the 17th Asia and South Pacific Design Automation Conference，2012：579－584．

［6］Jeyarani R，Nagaveni N，Vasanth－Ram R．Design and implementation of adaptive power－aware virtual machine provisioner（APA－VMP）using swarm intelligence［J］．Future Generation Computer Systems，2012，28（5）：811－821．

［7］Khan U A，Rinner B．Online learning of timeout policies for dynamic power management［D］．Klagenfurt：Alpen－Adria University Klagenfurt，2013．

［8］Jiang Q，Xi H S，Yin B Q．Adaptive optimisation of timeout policy for dynamic power management based on semi－Markov control processes［J］．IET Control Theory ＆Applications，2010，4（10）：1945－1958．

［9］Cao Z，You Z．The influencing factor of threshold selection in dynamic threshold of timeout policies［J］．Journal of Harbin Institute of Technology，2013，45（6）：119－123．（曹哲，尤政．超時策略動態(tài)閾值的閾值選擇影響因素［J］．哈爾濱工業(yè)大學(xué)學(xué)報，2013，45（6）：119－123．）

［10］Gupta M，Shum L V，Bodanese E，et al．Design and evaluation of an adaptive sampling strategy for a wireless air pollution sensor network［C］∥Proc．of the 36th Conference on Local Computer Networks，2011：1003－1010．

［11］Long S，Zhao Y，Chen W．A three－phase energy－saving strategy for cloud storage systems［J］．Journal of Systems and Software，2014，87（1）：38－47．

［12］Triki M，Ammari A C，Wang Y，et al．Reinforcement learning－based dynamic power management of a battery－powered system supplying multiple active modes［C］∥Proc．of the European Modelling Symposium，2013：437－442．

［13］Shih H C，Wang K．An adaptive hybrid dynamic power management algorithm for mobile devices［J］．Computer Networks，2012，56（2）：548－565．

［14］Choi G B，Lee S G，Lee J M．Modeling and stochastic dynamic optimization for optimal energy resource allocation［J］．Computer－Aided Chemical Engineering，2012，31（5）：765－769．

［15］Yue S，Zhu D，Wang Y，et al．Reinforcement learning based dynamic power management with a hybrid power supply［C］∥Proc．of the 30th International Conference on Computer Design，2012：81－86．

［16］Terzopoulos G，Karatza H．Performance evaluation and energy consumption of a real－time heterogeneous grid system using DVS and DPM［J］．Simulation Modelling Practice and Theory，2013，36（2）：33－43．

［17］Hyyti?E，Righter R，Aalto S．Task assignment in a heterogeneous server farm with switching delays and general energyaware cost structure［J］．Performance Evaluation，2014，75（5）：17－35．

［18］Mazzucco M，Dyachuk D．Optimizing cloud providers revenues via energy efficient server allocation［J］．Sustainable Computing：Informatics and Systems，2012，2（1）：1－12．

［19］Maheshwari N，Nanduri R，Varma V．Dynamic energy efficient data placement and cluster reconfiguration algorithm for MapReduce framework［J］．Future Generation Computer Systems，2012，28（1）：119－127．

［20］Wang W，Luo J Z，Song A B．Dynamic pricing based energycost optimization in data center environments［J］．Chinese Journal of Computers，2013，36（3）：599－612．（王巍，羅軍舟，宋愛波．基于動態(tài)定價策略的數(shù)據(jù)中心能耗成本優(yōu)化［J］．計算機學(xué)報，2013，36（3）：599－612．）

［21］Kim W，Mvulla J．Reducing resource over－provisioning using workload shaping for energy efficient cloud computing［J］．Applied Mathematics ＆Information Sciences，2013，7（5）：2097－2104．

［22］Li Y．Research and implementation of cluster job management middleware［D］．Beijing：Capital Normal University，2009．（李媛．集群作業(yè)管理中間件的研究與實現(xiàn)［D］．北京：首都師范大學(xué)，2009．）

［23］Liang A，Xiao L，Pang Y，et al．Thermal－aware workload distribu－tion for clusters［J］．Procedia Engineering，2011，15：3308－3312．

E－mail：chengcl＠njupt．edu．cn

王 穎（1989－），女，碩士研究生，主要研究方向為資源管理、云計算。E－mail：15050523137＠163．com

張登銀（1965－），男，研究員，博士研究生導(dǎo)師，博士，主要研究方向為信號與信息處理、信息網(wǎng)絡(luò)。

E－mail：zhangdy＠njupt．edu．cn

Strategy of servers awakening based on dynamic threshold in cloud computing

CHENG Chun－ling1，WANG Ying1，ZHANG Deng－yin2
（1．College of Computer，Nanjing University of Posts and Telecommunications，Nanjing 210003，China；2．Internet of Things Technology Park，Nanjing University of Posts and Telecommunications，Nanjing 210003，China）

The dynamic powering on／off servers（DPS）strategy based on reservation sets the static threshold of the task request number beforehand，which may cause frequent switching of the server status．To solve this problem，a strategy of servers awakening based on the dynamic threshold in cloud computing is proposed．Firstly，the queuing model with impatient tasks is introduced to model the task scheduling in the cloud computing system，and analyze the average number of task betrayal and the cost of power consumption，thereby the strategy of dynamicly adjusting the threshold of the task request number is presented．After that，a server is chosen to be awakened according to the cold area where the server located and the length of its shutdown time．The simulation results show that the proposed strategy can ensure the average response time for tasks and reduce the energy cost in cloud computing system efficiently．

cloud computing；dynamic powering on／off servers（DPS）；dynamic threshold；queuing theory；impatient tasks

TP 393

A

10．3969／j．issn．1001－506X．2015．06．32

程春玲（1972－），女，教授，博士研究生，主要研究方向為云計算、資源管理及性能優(yōu)化。

1001－506X（2015）06－1437－09

2014－05－19；

2014－08－23；網(wǎng)絡(luò)優(yōu)先出版日期：2014－10－22。

網(wǎng)絡(luò)優(yōu)先出版地址：http：／／www．cnki．net／kcms／detail／11．2422．TN．20141022．1305．001．html

江蘇省科技支撐項目（BE2012849）；江蘇省研究生科研創(chuàng)新計劃（CXZZ12＿0483）資助課題