盧彪　李悅　張萬禮

（宿州學院信息工程學院　安徽宿州　234000）

基于云計算系統(tǒng)使用率的能耗模型的研究與設計

盧彪李悅張萬禮

（宿州學院信息工程學院安徽宿州234000）

文章針對云計算系統(tǒng)的CPU使用率、內(nèi)存使用率和存儲使用率三個能耗模型的分析，結合非線性回歸分析方法：拉索回歸分析、拉索變量多元回歸分析和方差齊性回歸分析數(shù)學方法，設計了基于云計算平臺的系統(tǒng)使用率的能耗模型。通過實驗環(huán)境搭建和模型測試，基于系統(tǒng)使用率的能耗模型的誤差率和實際監(jiān)測結果相差較小達到了94%左右。結論是基于系統(tǒng)使用率的能耗模型能夠滿足能耗優(yōu)化的具體需求。

云計算；能耗模型；系統(tǒng)使用率；拉索回歸

云計算平臺中心需要使用一定技術手段針對云計算中心能耗過大問題來采取相應的節(jié)能措施，從而達到優(yōu)化云平臺持續(xù)存儲過程中的能耗問題［1］。能耗模型的建立是云計算系統(tǒng)的能耗優(yōu)化的關鍵之一，精確高效的能耗模型能夠為云計算系統(tǒng)的資源調(diào)度和能耗優(yōu)化提供重要的技術支撐［2］。本文針對云計算系統(tǒng)的CPU使用率、內(nèi)存使用率和存儲使用率三個能耗模型的分析和結合非線性回歸分析方法，設計了基于系統(tǒng)使用率的能耗模型。最后，通過實驗環(huán)境搭建和模型測試，得出了該能耗模型的誤差率和實際監(jiān)測結果相差較小，能夠滿足能耗優(yōu)化的具體需求。

一、云計算平臺的能耗模型

（一）能耗模型建立的原則。設計一個準確高效的云平臺能耗模型能夠為云存儲資源調(diào)度、能耗優(yōu)化提供重要的技術支撐，能耗模型設計原則主要包括［3］：（1）能耗模型采樣數(shù)據(jù)應該是整個云系統(tǒng)的能耗情況統(tǒng)計；（2）能耗模型精確度決定了模型實際使用效果，所以能耗優(yōu)化算法必須設計合理；（3）能耗模型具備實時預測功能；（4）能耗模型具備通用性；（5）數(shù)學模型具備伸縮性，能支持實時變化。（6）數(shù)學模型在設計的過程中在不影響能耗整體效果情況下盡量不要過度復雜化。

（二）能耗模型設計流程。能耗模型的設計流程主要包括3個步驟［4］：（1）數(shù)據(jù)采樣：在云平臺正常工作的情況下收集云存儲系統(tǒng)的能耗情況和分析影響能耗數(shù)據(jù)因子，這里我們主要是通過對云平臺的系統(tǒng)使用率來進行數(shù)學分析建模包括了CPU、內(nèi)存和硬盤的使用情況參數(shù)；（2）模型建立：根據(jù)不同的回歸方法建立能耗模型，提取預測需要的采樣參數(shù)。（3）預測系統(tǒng)能耗。能耗建模的基本流程見圖1。

圖1　能耗建模的基本流程圖

（三）能耗采樣硬件平臺。智能電表能夠采集能耗模型服務器的電流以及電壓信息上傳至后臺數(shù)據(jù)存儲服務器上，能耗采樣平臺要確保智能電表和數(shù)據(jù)存儲服務器只能為能耗模型服務器進行服務以確保數(shù)據(jù)采樣的可靠性［5］。通過P=UI可以得到能耗模型服務器的電能消耗情況，服務器也可以通過特定的數(shù)據(jù)采集手段來存儲自身硬件CPU、內(nèi)存和硬盤使用率信息。通過對電能消耗數(shù)據(jù)和系統(tǒng)使用率信息的數(shù)據(jù)采樣，能耗模型的數(shù)據(jù)來源便得到了可靠性保障。能耗采樣平臺示意圖見圖2。

圖2　能耗采樣平臺

能耗模型服務器B的性能參數(shù)是通過在該服務器上運行一組操作程序Benchmark來實現(xiàn)的，Benchmark程序主要完成的功能是采集計算機硬件的性能參數(shù)。在云存儲平臺中的系統(tǒng)CPU、系統(tǒng)內(nèi)存和系統(tǒng)硬盤運轉是最為耗能的且狀態(tài)可調(diào)節(jié)的硬件。我們選取這三個部件的使用率作為能耗模型基本參數(shù)，并將使用率參數(shù)引入到多種回歸模型中。

二、基于云存儲技術的系統(tǒng)使用率能耗建模

云系統(tǒng)能耗模型的系統(tǒng)使用率參數(shù)來源主要包括［6］：CPU處理器使用率、內(nèi)存使用率和存儲使用率三個方面。系統(tǒng)使用率數(shù)據(jù)主要為能耗模型提供相應的參數(shù)，所以能耗模型的數(shù)據(jù)采樣只采集與云系統(tǒng)能耗關系最主要的部分。隨著硬件技術的演進，云平臺的能耗數(shù)據(jù)與系統(tǒng)使用率之間的關系從簡單的線性關系逐漸演變成非線性關系。

（一）基于CPU使用率的能耗模型。CPU處理器使用率占據(jù)了云系統(tǒng)的主要能耗，通過對CPU使用率的調(diào)整來控制云系統(tǒng)的整體能耗是云系統(tǒng)節(jié)約能耗的主要方向之一［7］。

數(shù)學模型1的設計是利用云系統(tǒng)的CPU使用率參數(shù)來預測能耗模型，如公式（1）所示。能耗預測數(shù)學模型設計為CPU使用率的線性函數(shù)，M為代表的是網(wǎng)絡硬盤能耗數(shù)據(jù)，它作為常數(shù)來對待。i表示CPU處理器使用率對云系統(tǒng)能耗的經(jīng)驗參數(shù)，通過簡單的線性回歸得到基于CPU處理器使用率的能耗模型如公式（1）所示:

數(shù)學模型1描述的是能耗與CPU使用率的線性相關，但是線性關系模型已經(jīng)不能正確描述二者之間的關系。通過對數(shù)學模型1的改進，在數(shù)學模型2中引入影響因子j和N+CPU來調(diào)整能耗與CPU使用率之間的關系，改進模型公式表示方法如公式（2）:

（二）基于內(nèi)存使用率的能耗模型。系統(tǒng)內(nèi)存使用率是云計算系統(tǒng)的硬件能耗來源之一，內(nèi)存耗能在一定條件下可以占據(jù)云平臺總能耗的70%左右。多核CPU處理器在進行業(yè)務處理時大量使用內(nèi)存虛擬方法造成了云存儲數(shù)據(jù)中心的整體能耗大幅度提高［8］。

內(nèi)存的能源消耗數(shù)據(jù)與CPU處理器的能源消耗數(shù)據(jù)之間存在著正比關系，當CPU使用頻率增加時會導致內(nèi)存的能耗隨之增加。云系統(tǒng)內(nèi)存與云CPU處理器相關的線性能耗模型記為公式（3）所示。

（三）基于存儲使用率的能耗模型。系統(tǒng)硬盤存儲使用率也是云硬件系統(tǒng)的能耗來源，硬盤存儲耗能在一定條件下可以占據(jù)云平臺總能耗的65%左右。傳統(tǒng)存儲主要通過自動調(diào)節(jié)磁陣技術來實現(xiàn)磁陣空閑不工作狀態(tài)的轉換，基于閃存的磁陣存儲技術也可以降低網(wǎng)絡存儲的能耗。由于云平臺服務器可以為多個云存儲磁陣進行相關服務并且存儲磁陣是具備擴展功能的，存儲磁陣的數(shù)量越多導致存儲消耗的能耗也就越多。在云計算存儲集群系統(tǒng)中，磁盤陣列的互相備份等安全保護技術也會增加云計算平臺的能源消耗［9］。

考慮到磁盤陣列在云計算系統(tǒng)能耗的工作影響程度，基于存儲使用率的云系統(tǒng)存儲與云CPU處理器相關的線性能耗模型記為公式（4）所示。

通過對云系統(tǒng)的能耗情況深度分析，CPU處理器、內(nèi)存使用率和存儲使用率的能耗模型能耗數(shù)據(jù)在云系統(tǒng)工作過程中存在很大的波動情況，是能耗模型的主要參數(shù)來源。

（四）能耗模型數(shù)據(jù)回歸分析應用。能耗數(shù)學模型的數(shù)據(jù)回歸分析技術主要研究內(nèi)容是能耗變量P與CPU處理器、內(nèi)存Memory和存儲Disk的使用率（用x來表示）之間的非線性關系，找到能耗變量P與x之間的函數(shù)P=f（x）的具體表達式是回歸分析技術在本文中的主要目標。f（x）稱為能耗P對使用率x的回歸函數(shù)，或者稱為能耗P對使用率x的回歸［10］。

由于能耗與資源使用率之間存在非線性關系，我們通過對線性關系的研究改進推導出能耗非線性目標函數(shù)模型。通過對線性回歸的函數(shù)轉換和添加因子的處理，非線性模型的目標函數(shù)可以用公式（5）表示:

1.變量多元拉索回歸分析模型（PWL）。變量多元拉索模型的基礎函數(shù)由自變量形式表示。為了防止非線性數(shù)學模型的數(shù)據(jù)采樣參數(shù)過多影響能耗模型結果，這里使用拉索回歸進行參數(shù)選取。

2.變量多元+指數(shù)拉索回歸分析模型（PEWL）。在多形式模型的基礎上，f（x）還增加了指數(shù)函數(shù)ex，在這里同樣使用拉索回歸進行資源使用率參數(shù)的選取。

3.方差齊性回歸分析模型（SVM）。方差齊性（SVM）是從多維角度來使用非線性函數(shù)進行最優(yōu)化目標的實現(xiàn)，回歸分析與SVM的結合能到得到更優(yōu)的能耗非線性數(shù)學模型。

給定一組測試樣本集 （Mi，Ni，1≤i≤n），Mi為因變量，Ni是自變量，n是樣本數(shù)目。對于實驗數(shù)據(jù)集為非線性的情況，通過非線性能耗目標函數(shù)f（x）將實驗數(shù)據(jù)到高維線性特征空間。在此情況下，能耗估計目標函數(shù)f（x）為如公式（6）形式:

能耗模型目標函數(shù)的最優(yōu)化條件為公式（7）所示:

在上式中引入彈性因子ξi和ξj，公式（10）最優(yōu)化條件改進為公式（8）

三、基于系統(tǒng)使用率的能耗模型設計

在Unix系統(tǒng)中，通過局部變量clockis的值來計算出系統(tǒng)CPU使用率（用戶clockis+系統(tǒng)clockis）/總clockis。在本次試驗中服務器使用Linux操作系統(tǒng)，我們通過系統(tǒng)文件/Process/start文件來提取量clockis值計算系統(tǒng)CPU使用率。/Process/start文件中還能查看本次試驗的CPU負載情況。

通過上述方法可以得到CPU使用率UtilizationCPU，/process/information文件里可以提取相應的參數(shù)可以計算出系統(tǒng)內(nèi)存使用率和存儲使用率。當計算出CPU、內(nèi)存和存儲使用率的數(shù)據(jù)之后，進一步研究三者之間的聯(lián)系。通過收集系統(tǒng)各個時間段的300多組能耗數(shù)據(jù)，能耗數(shù)據(jù)由CPU能耗、內(nèi)存能耗和存儲能耗三部分組成，能耗數(shù)據(jù)使用率的值如圖3所示。

圖3　內(nèi)存使用率、CPU使用率對系統(tǒng)能耗的影響

根據(jù)采樣到的CPU使用率、內(nèi)存使用率和存儲使用率的非線性模型拉索回歸分析、變量多元指數(shù)拉索回歸分析和方差齊性回歸（SVR）的回歸分析和數(shù)學模型特點，我添加了針對本文的數(shù)學模型影響因子如圖4所示。

通過回歸分析技術對能耗模型的影響以及采樣數(shù)據(jù)對能耗模型的影響，我們最終設計了能耗數(shù)學模型，能耗模型的目標函數(shù)f（U）表示方法如公式（10）所示。

圖4　能耗模型影響因子

四、能耗模型實驗結果測試分析

本次實驗云平臺的主控制芯片采用SUN公司生產(chǎn)的同構四核處理器Athlon64，該64位處理器由2組Athlon64 X2內(nèi)置芯片和2組Athlon64X4內(nèi)置芯片組成，系統(tǒng)核心內(nèi)存值為 96G，Unix平臺的操作系統(tǒng)版本為 2.6.18-128. ELsmp，編譯環(huán)境為Cygwin。

本次試驗判定一個能耗模型目標函數(shù)公式（10）是否精確標準是使用相對誤差率Q誤差的值來判定，Q估計表示我們能耗模型預測得到的結果，Q電表表示用電表監(jiān)測到的實際能耗。誤差結果用公式（11）表示。

通過對比能耗目標Q誤差值，就可以推斷各個能耗模型的誤差率。具體能耗模型誤差率的實驗測試結果見圖5。

圖5　能耗模型精確度測試

從上圖中可以看出線性模型的回歸分析誤差率達到了30%，其誤差明顯高于非線性模型的回歸分析。回歸分析中的變量多元拉索回歸分析和變量多元指數(shù)函數(shù)回歸分析的誤差范圍在（-10%，+10%）左右，將CPU處理器和內(nèi)存使用率的指數(shù)函數(shù)ex引入變量多元中對能耗模型結果基本上沒有任何影響。方差齊性回歸（SVM）的誤差值范圍在（-6%，+6%）之間，是線性回歸的偏差的一半，也是3個回歸分析技術中誤差范圍最小的。實驗結果表明，方差齊性回歸分析的能耗模型在系統(tǒng)穩(wěn)定后只監(jiān)控系統(tǒng)使用率的情況下，能耗預測精度可達到94%以上。

五、結語

云計算平臺在系統(tǒng)應用時產(chǎn)生了大量的能耗浪費，針對云計算平臺的能耗優(yōu)化問題是當前云技術發(fā)展重點研究的對象之一。本文針對云計算系統(tǒng)的CPU使用率、內(nèi)存使用率和存儲使用率三個能耗模型的分析，結合非線性回歸分析數(shù)學方法，設計了使基于云計算平臺的系統(tǒng)使用率的能耗模型。通過實驗環(huán)境搭建，得出了基于系統(tǒng)使用率的能耗模型的誤差率和實際監(jiān)測結果相差較小，能夠滿足能耗優(yōu)化的實際需求。

［1］金海，吳松，廖小飛，等.云計算的發(fā)展與挑戰(zhàn)［M］.中國計算機學會學術工作委員會.中國計算機科學技術發(fā)展報告.北京:清華大學出版社，2014：15.

［2］KAYZRH.Highperformancenetworkandchannelbased storage［J］.ProceedingsoftheIEEE，2014，23（2）:128-135.

［3］孫民，沈紅松.論云計算的體系結構［J］.云計算通訊技術，2014，18（1）:38-39.

［4］王慶波，等.虛擬化與云計算［M］.北京:電子工業(yè)出版社，2015：112.

［5］張虹.含風電場的連續(xù)潮流法研究［J］．吉林化工學院學報，2014，31（5）:59-61．

［6］PAYYERSON D A，GIBSON G，KAYZ R H.A nice for redundant arrays of inexpensive disks（RAID）［J］.SIGMOD RENORD，2013，12（2）:58-60.

［7］孫明革.HART智能儀表通用組態(tài)軟件開發(fā)［J］．吉林化工學院學報，2014，31（3）:56-60．

［8］CACHIN C，KEIDAR I，SHRAER A.Trusting the cloud ［J］.ACM SIGACT News，2006，35（1）:28-35.

［責任編輯鄭麗娟］

TP393

A

2095-0438（2016）09-0148-04

2016-05-16

盧彪（1985-），男，安徽毫州人，宿州學院信息工程學院助教，碩士，研究方向：物聯(lián)網(wǎng)及云計算。

安徽省高校自然科學研究重點項目（KJ2016A777）；安徽省大學生創(chuàng)新創(chuàng)業(yè)項目（201510379098）；安徽省級質(zhì)量工程教學研究重點項目（2014jyxm380）。