龐松濤

（浪潮集團(tuán) 北京 100142）

1 引言

隨著智能電網(wǎng)的發(fā)展，區(qū)域內(nèi)各地區(qū)網(wǎng)絡(luò)連接愈加緊密，電網(wǎng)計(jì)算不但需要高性能，同時(shí)也越來越需要跨區(qū)域、跨電壓等級(jí)的協(xié)作，并共同構(gòu)建電網(wǎng)的基礎(chǔ)數(shù)據(jù)，完成各類分析計(jì)算任務(wù)。傳統(tǒng)采用各網(wǎng)省專業(yè)技術(shù)人員集中工作的方式，拼合調(diào)整形成的運(yùn)行數(shù)據(jù)，缺乏協(xié)同機(jī)制，工作效率不高且數(shù)據(jù)是由各級(jí)部門分散維護(hù)，定期合并匯總，其及時(shí)性和完整性較差。而應(yīng)用電力云計(jì)算中心，可以有效實(shí)現(xiàn)全網(wǎng)數(shù)據(jù)的統(tǒng)一管理、資源的按需分配以及全局?jǐn)?shù)據(jù)的智能分析應(yīng)用等。

合理調(diào)配云計(jì)算資源可以有效地減少云計(jì)算平臺(tái)的運(yùn)行成本。近年來，隨著云計(jì)算基礎(chǔ)架構(gòu)的擴(kuò)展，能源消耗問題引起越來越多的關(guān)注，據(jù)統(tǒng)計(jì)，數(shù)據(jù)中心的能耗成本占到了運(yùn)維總成本的50%左右，包括電力、機(jī)房占地、帶寬等各方面。在產(chǎn)生高能耗的同時(shí)，傳統(tǒng)數(shù)據(jù)中心中80%的服務(wù)器80%的時(shí)間其CPU占有率低于20%，資源存在極大的浪費(fèi)。國家電網(wǎng)已經(jīng)建立了北京亦莊、上海、陜西三大大數(shù)據(jù)中心，覆蓋了我國北方、南方以及我國西部內(nèi)陸地區(qū)，隨著國家智能電網(wǎng)與特高壓輸電工程的進(jìn)一步推進(jìn)，這些數(shù)據(jù)中心將為我國電力安全與電力信息化的長足發(fā)展奠定基礎(chǔ)。所以，實(shí)現(xiàn)數(shù)據(jù)中心的資源優(yōu)化管理，建立智慧電力云具有實(shí)際意義?；谏鲜鲈?，本文重點(diǎn)研究如何優(yōu)化云資源利用，動(dòng)態(tài)啟動(dòng)關(guān)閉虛擬設(shè)備，在不影響云服務(wù)的前提下合理提供云資源并盡可能節(jié)省電力能源消耗。

2 云資源規(guī)劃調(diào)度優(yōu)化

云計(jì)算將計(jì)算任務(wù)分布在資源池上，各種應(yīng)用系統(tǒng)能夠根據(jù)需要獲取計(jì)算力、存儲(chǔ)空間和各種軟件服務(wù)。原來的一臺(tái)物理服務(wù)器可以虛擬成多臺(tái)虛擬服務(wù)器，虛擬化后的資源變得更可量化。虛擬化技術(shù)將底層的計(jì)算資源切分或合并成多個(gè)運(yùn)行環(huán)境，以軟件的方式模擬硬件，通過軟件的方式邏輯切分服務(wù)器資源，形成統(tǒng)一的虛擬資源池，創(chuàng)建虛擬機(jī)運(yùn)行的獨(dú)立環(huán)境。這種邏輯結(jié)構(gòu)提供了靈活、可變、易配置、可擴(kuò)展的平臺(tái)服務(wù)，并且可以實(shí)現(xiàn)靈活有效的分布存儲(chǔ)和計(jì)算，從而整體上為實(shí)現(xiàn)強(qiáng)大的計(jì)算和海量數(shù)據(jù)存儲(chǔ)能力提供基礎(chǔ)保障。為簡化起見，本文以CPU資源作為分析探究對(duì)象。

與傳統(tǒng)方式相比，云計(jì)算已經(jīng)在更小粒度上管理分配資源，改善云資源利用及能耗，但是虛擬資源管理如果完全按照云用戶申請(qǐng)啟用云，還會(huì)存在大量的活動(dòng)資源被閑置，資源及能耗依然還存在浪費(fèi)，因?yàn)橛脩魧?duì)資源把握不準(zhǔn)，申請(qǐng)資源往往都超過實(shí)際需要。要做到更有效地利用資源，需要對(duì)云資源需求有更準(zhǔn)確的把握，并提前做好資源規(guī)劃。云計(jì)算的容量需求隨著時(shí)間的推移而逐漸增加，總需求并不是簡單地單調(diào)增加，而是存在一定程度的波動(dòng)。為了盡可能避免閑置資源的浪費(fèi)，同時(shí)保證云服務(wù)質(zhì)量，云資源被劃分為兩部分，第一部分稱為“周期資源”，主要是為了滿足云中心大部分資源需求，保證云中心平穩(wěn)運(yùn)營，該資源需求可根據(jù)歷史數(shù)據(jù)分析找出，用于滿足云中心相對(duì)平穩(wěn)的云資源需求；第二部分資源稱為 “峰期資源”，該資源主要滿足各階段高峰資源需求。通過資源劃分，可以更加精細(xì)管理云資源，利用周期資源應(yīng)對(duì)基本需求，再根據(jù)峰值需求，動(dòng)態(tài)啟用或關(guān)閉峰期資源。當(dāng)然，虛擬資源的啟用和關(guān)閉需要時(shí)間，而且資源啟動(dòng)及關(guān)閉對(duì)應(yīng)用系統(tǒng)影響程度不同，所以在實(shí)際應(yīng)用中，可根據(jù)用戶應(yīng)用系統(tǒng)的實(shí)際情況，調(diào)整資源管理的時(shí)間粒度?；跀?shù)據(jù)挖掘的云資源規(guī)劃調(diào)度技術(shù)框架如圖1所示。

資源規(guī)劃調(diào)度原理步驟說明如下：

· 通過虛擬資源管理系統(tǒng)采集云資源利用的歷史數(shù)據(jù)；

·通過預(yù)處理生成預(yù)測模型可用的數(shù)據(jù)；

·利用數(shù)據(jù)挖掘技術(shù)分析資源利用規(guī)律；

· 利用分析預(yù)測的結(jié)果規(guī)劃資源需求，并區(qū)分資源周期需求和峰期需求；

·利用虛擬化管理系統(tǒng)分階段配置并啟用虛擬資源，保證在非資源高峰需求階段提供正常云服務(wù)；

· 系統(tǒng)通過虛擬管理系統(tǒng)實(shí)時(shí)/及時(shí)采集云資源利用信息；

· 當(dāng)周期云資源利用率超過指定的閾值，提前啟動(dòng)規(guī)劃好的后備峰期資源，為了更好利用資源，峰期資源可根據(jù)負(fù)載的增加而逐步啟用；

·利用相關(guān)算法為新增負(fù)載分配虛擬資源。

本文在以下部分進(jìn)一步給出了實(shí)現(xiàn)方法。

3 云周期資源需求規(guī)劃方案

首先，需要盡量對(duì)云周期資源需求進(jìn)行準(zhǔn)確估計(jì)。指數(shù)平滑算法是目前常用的一種時(shí)間序列分析預(yù)測法。該方法可通過計(jì)算指數(shù)平滑值，配合一定的時(shí)間序列預(yù)測模型對(duì)某個(gè)變量的未來變化進(jìn)行預(yù)測。通過分析，把電網(wǎng)信息系統(tǒng)云資源需求分為以下組合成分。

· 長期趨勢：系統(tǒng)負(fù)載時(shí)間序列隨時(shí)間的變化具有逐漸增加的長期變化趨勢。

· 季節(jié)變動(dòng)：時(shí)間序列的季節(jié)變動(dòng)指其在固定時(shí)間內(nèi)呈現(xiàn)出的有規(guī)律的變動(dòng)，電網(wǎng)系統(tǒng)負(fù)載的季節(jié)變動(dòng)具有遞階特性，一般其變動(dòng)規(guī)律可以分為周和日兩個(gè)層次。

· 不規(guī)則變動(dòng)：即電網(wǎng)系統(tǒng)負(fù)載序列中由于隨機(jī)因素影響所引起的變動(dòng)。

基于以上分析，參照Holt-Winters平滑算法，本文提出一個(gè)遞階成分負(fù)載模型，它可表示為：yi,j,k=wid7i+jh56i+8j+k+δ56i+8j+k(i=1,2,3,…，j=0,1,2,…,6,k=0,1,…,7)。

其中，wi代表第i周的負(fù)載量，d7i+j代表第i周的負(fù)載量在第j日的分布系數(shù)，即當(dāng)日訪問量相對(duì)于整周訪問量的百分比，h56i+8j+k代表第i周第j日的負(fù)載量在第k時(shí)段的分布系數(shù)，即該段時(shí)內(nèi)訪問量相對(duì)于整日訪問量的百分比，δ56i+8j+k代表第i周第j日第k時(shí)段的隨機(jī)擾動(dòng)，其均值為零。在本文模型中，每天被分為8個(gè)時(shí)段。

根據(jù)以上資源需求的特點(diǎn)，wi變化將具有長期趨勢，而d7i+j與h56i+8j+k的變化則主要呈現(xiàn)季節(jié)規(guī)律。為了形象說明上述特點(diǎn)，給出一組虛擬負(fù)載數(shù)據(jù)及其規(guī)律分解，分別如圖2和圖3所示。

綜上所述，可以采用二次指數(shù)平滑法對(duì)周訪問量進(jìn)行預(yù)測。具體算法及推導(dǎo)如下。

令和分別代表wi的一次和二次指數(shù)平滑值，滿足：

由以上可推出：

另一方面，若以如式（3）所示的方程描述周訪問量的趨勢：

其中，ai,bi是參數(shù)變量，m是從i周開始的預(yù)測周數(shù)，則：

進(jìn)一步假定堝t1,t2＞0，使得：

因此，可利用一次指數(shù)平滑法對(duì)它們進(jìn)行預(yù)測：

其中，為d的估計(jì)值,可以取為：（i=1,2,3,…）的最小二乘均值即滿足離差的平方和Σ最小的的值。為的估計(jì)值，可以取為：的最小二乘均值即滿足離差（-56i+8j+k）的平方和最小的值。

圖2 虛擬負(fù)載數(shù)據(jù)

圖3 負(fù)載規(guī)律分解

以上估計(jì)值可保證：

4 云峰期資源需求調(diào)度方案

峰期資源主要用于“調(diào)峰”，即主要用于滿足各階段云資源的需求高峰。云虛擬機(jī)實(shí)例的啟動(dòng)關(guān)閉遵循原則是：當(dāng)周期資源利用率達(dá)到給定閾值時(shí)，啟動(dòng)新的虛擬機(jī)實(shí)例，而周期資源利用率少于給定閾值時(shí)，終止虛擬機(jī)實(shí)例。當(dāng)然啟動(dòng)和關(guān)閉操作不能太過于頻繁，要留足夠的時(shí)間，啟停頻率可以根據(jù)實(shí)際應(yīng)用設(shè)定閾值使得頻率控制在小時(shí)級(jí)別。另外，由于增加的資源需求可能來自不同應(yīng)用、不同任務(wù)，所以也需要通過合理的算法進(jìn)行資源分配。本文采用隨機(jī)均衡策略。在此引入一個(gè)簡單模型。

首先，假定每個(gè)節(jié)點(diǎn)上只運(yùn)行一個(gè)服務(wù)組件；每個(gè)用戶請(qǐng)求對(duì)應(yīng)一個(gè)組件實(shí)例，所有實(shí)例的優(yōu)先級(jí)相同；用戶請(qǐng)求到達(dá)時(shí)間與服務(wù)時(shí)間都滿足泊松分布；平臺(tái)因任務(wù)調(diào)度而消耗的資源可以忽略，則坌r>0，當(dāng)Δt足夠小時(shí)，任意節(jié)點(diǎn)正在服務(wù)的用戶數(shù)從r轉(zhuǎn)移到r-1、r、r+1的概率與單隊(duì)列單服務(wù)臺(tái)簡單服務(wù)系統(tǒng)(M/M/1)中的情況完全相同，如圖4所示。

圖4 節(jié)點(diǎn)狀態(tài)轉(zhuǎn)移示意

根據(jù)排隊(duì)論的研究結(jié)果推出最佳隨機(jī)均衡策略是按到達(dá)率平方根的比例把整個(gè)系統(tǒng)的冗余服務(wù)率分配到各個(gè)節(jié)點(diǎn)。

峰值變化對(duì)資源需求做出調(diào)整，其實(shí)時(shí)性要求相對(duì)較高，為此在虛擬資源管理監(jiān)控系統(tǒng)上運(yùn)行兩個(gè)守護(hù)進(jìn)程negotiator和collector，其中collector負(fù)責(zé)收集負(fù)載及任務(wù)隊(duì)列信息，并對(duì)上述信息列表進(jìn)行周期性更新，negotiator負(fù)責(zé)新增虛擬資源的分配，同時(shí)完成以下各步工作。

（1）negotiator采集當(dāng)前資源利用信息。

（2）發(fā)現(xiàn)資源利用超過閾值時(shí)，發(fā)送資源需求到任務(wù)隊(duì)列。

（3）negotiator確定更新各資源請(qǐng)求任務(wù)的優(yōu)先權(quán)。優(yōu)先權(quán)隨等待排隊(duì)中的任務(wù)數(shù)增加而增加。

（4）negotiator從具有最高優(yōu)先權(quán)的資源請(qǐng)求開始查詢，并收集等待任務(wù)所需的資源信息。

（5）negotiator選擇滿足要求的虛擬資源，分配給需要的應(yīng)用。

negotiator將重復(fù)以上步驟，直到為所有的等待任務(wù)找到合適的虛擬資源為止。

5 實(shí)驗(yàn)與小結(jié)

為了得出實(shí)驗(yàn)結(jié)果，在云中心配置了一個(gè)實(shí)驗(yàn)環(huán)境，該實(shí)驗(yàn)環(huán)境以3臺(tái)8路服務(wù)器TS850為主，外接一個(gè)集中存儲(chǔ)服務(wù)器，8路服務(wù)器和集中存儲(chǔ)之間用SAN交換機(jī)連接。8路服務(wù)器上安裝虛擬化軟件，生成的虛擬機(jī)外掛存儲(chǔ)服務(wù)器上劃分的虛擬盤，最后安裝了浪潮云海OS，該軟件可以實(shí)現(xiàn)跨平臺(tái)的云資源管理及實(shí)時(shí)監(jiān)控，通過浪潮云海OS，首先對(duì)某一云中心采集了周、日的云資源運(yùn)行數(shù)據(jù)，通過對(duì)周訪問量、日訪問量依次進(jìn)行不同粒度層次的平滑計(jì)算，獲得未來某個(gè)時(shí)段的負(fù)載預(yù)測值。把前3周的負(fù)載數(shù)據(jù)作為觀測值，用它們對(duì)第4、5周各個(gè)時(shí)段的負(fù)載進(jìn)行預(yù)測，并將預(yù)測結(jié)果與觀測值（實(shí)際上是根據(jù)模型產(chǎn)生的計(jì)算值）進(jìn)行比較。圖5為每周負(fù)載量及其預(yù)測值（前3周為觀測值，后2周為預(yù)測值）之間的比較，圖6和圖7分別為周負(fù)載分布、日負(fù)載分布與它們的預(yù)測值之間的比較，圖8為根據(jù)模型產(chǎn)生的附載計(jì)算值與按照上述方法得出的負(fù)載預(yù)測值之間的比較。

相比Holt-Winters平滑算法，本文針對(duì)電力系統(tǒng)負(fù)載的特點(diǎn)，將每一個(gè)層次的變化規(guī)律分而治之，不僅能夠充分反映負(fù)載變化規(guī)律的遞階循環(huán)特性，預(yù)測過程也比較簡單，每一個(gè)層次只需確定一個(gè)α參數(shù)。

另外，在峰期資源調(diào)度上，在云海OS的技術(shù)上增加服務(wù)節(jié)點(diǎn)控制與狀態(tài)信息收集器。該服務(wù)由一個(gè)主控臺(tái)和一個(gè)后臺(tái)探測器線程組成，服務(wù)對(duì)象/組件列表放在negotiator中，并通過浪潮云海OS對(duì)上述列表進(jìn)行操縱，從而實(shí)現(xiàn)對(duì)各節(jié)點(diǎn)上的服務(wù)器 （包括云端的虛擬服務(wù)器）進(jìn)行激活（activate）、去活（deactivate）等控制。在實(shí)驗(yàn)環(huán)境中，雖然可以根據(jù)服務(wù)任務(wù)需求的情況自動(dòng)啟動(dòng)或關(guān)閉資源，但是該資源調(diào)度還需要和實(shí)際應(yīng)用相結(jié)合，可以針對(duì)具體應(yīng)用，進(jìn)一步實(shí)驗(yàn)得出合理的資源啟動(dòng)關(guān)閉頻率。

圖5 周負(fù)載量及其預(yù)測值

圖6 周負(fù)載在各日的分布及其預(yù)測

圖7 日負(fù)載在各時(shí)段的分布及其預(yù)測

圖8 虛擬負(fù)載計(jì)算值及其預(yù)測值

總之，傳統(tǒng)通過用戶對(duì)資源的需求來開啟云計(jì)算資源的方式在資源利用上還是比較浪費(fèi)，通過實(shí)驗(yàn)結(jié)果得出，對(duì)云資源利用的歷史數(shù)據(jù)進(jìn)行挖掘，找出云資源的利用規(guī)律，不僅可以實(shí)現(xiàn)按需分配資源，進(jìn)一步可以更好地做到按需開啟關(guān)閉峰期資源，從而更好地實(shí)現(xiàn)云資源的充分利用，建立生態(tài)云數(shù)據(jù)中心。由于電力系統(tǒng)對(duì)云的資源需求有比較明顯的規(guī)律，所以通過數(shù)據(jù)挖掘，資源預(yù)測及規(guī)劃相對(duì)比較準(zhǔn)確。為此，給大規(guī)模電力云數(shù)據(jù)中心帶來的經(jīng)濟(jì)效益會(huì)更加明顯。

1 張大華，丁輝，吳向陽等.面向智能電網(wǎng)的電力云計(jì)算架構(gòu).電力通信管理暨智能電網(wǎng)通信技術(shù)論壇論文集,北京，中國，2011

Zhang D H,Ding H,Wu X Y,et al.Cloud computing architecture for smart grid.Proceedings of Electric Power Communication Management and Smart Grid Communications Technology Forum,Beijing,China,2011

2 王利賽，楊明玉，孫月琴等.電力云研究綜述.電力信息化，2011(5)

Wang L S,Yang M Y,Sun Y Q,et al.Summary research on electric powercloud computing.ElectricPowerInformation Technology,2011(5)

3 王鵬.云計(jì)算的關(guān)鍵技術(shù)與應(yīng)用實(shí)例.北京:人民郵電出版社,2010

Wang P.Examples of key techniques and application on cloud computing.Beijing:Posts and Telecom Press,2010

4 徐國祥.統(tǒng)計(jì)預(yù)測和決策.上海:上海財(cái)經(jīng)大學(xué)出版社,2011

Xu G X.Statistical forecast and decision making.Shanghai:Shanghai University of Finance and Economics Press,2011

5 陸傳賚.排隊(duì)論.北京：北京郵電大學(xué)出版社,2009

Lu C L.Queuing Theory.Beijing:Beijing University of Posts and Telecommunications Press,2009

6 Kalekar S P.Time series forecasting using holt-winters exponential smoothing.Kanwal Rekhi School of Information Technology Tech Rep,2004

7 Dostal Z.Optimal Quadratic Programming Algorithms:With Application to Variations to Variational Inequalities.New York:Springer,2009

8 Jiang Y,Perng S C,Li T,et al.ASAP:a self-adaptive prediction system for instant cloud resource demand provisioning.Proceedings of ICDM,Vancouver,Canada,2011

9 楊巨龍.大數(shù)據(jù)技術(shù)全解.北京：電子工業(yè)出版社,2014.

Yang JL.Big Data Technology Entire Solution.Beijing:Publishing House of Electronics Industry,2014

10 蘇躍進(jìn),韓英杰.基于分布式電站群的智能數(shù)據(jù)分析中心建設(shè)與實(shí)踐.電信科學(xué),2013(11):122～126

Su Y J,Han Y J.Construction and practice of intelligent data analysis center based on distributed power plant.Telecommunications Science,2013（11）:122～126

11 耿亮,吳燕,孟憲楠.電力數(shù)據(jù)挖掘在電網(wǎng)內(nèi)部及各領(lǐng)域間的應(yīng)用.電信科學(xué),2013（11）:127～130

Geng L,Wu Y,Meng X N.Application of power data mining within and between grid fields.Telecommunications Science,2013（11）:127～130

12 趙云山,劉煥煥.大數(shù)據(jù)技術(shù)在電力行業(yè)的應(yīng)用研究.電信科學(xué),2014（1）:57～62

Zhao Y S,Liu H H.Research on application of big data technique in electricity powerindustry.Telecommunications Science,2014（1）:57～62

13 黃章樹,劉晴晴.基于云計(jì)算服務(wù)模式的數(shù)據(jù)挖掘應(yīng)用平臺(tái)的構(gòu)建.電信科學(xué),2012（1）:53～57

Huang Z S,Liu Q Q.Construction of data mining application platform based on the service models of cloud computing.Telecommunications Science,2012（1）:53～57