劉春霞,王 娜,黨偉超,白尚旺

(太原科技大學(xué) 計算機科學(xué)與技術(shù)學(xué)院,太原 030024)

近年來,隨著日益增長的計算、存儲和網(wǎng)絡(luò)需求,云計算數(shù)據(jù)中心能源消耗問題得到了越來越多的關(guān)注.據(jù)統(tǒng)計,2014年美國的數(shù)據(jù)中心消耗了700億千瓦時的電力,相當(dāng)于該國全年能源消耗總量的1.8%.高能耗不僅造成高運營成本,而且會導(dǎo)致巨大的碳排放,每年信息和通信技術(shù) (Information and Communication Technologies,ICT)產(chǎn)業(yè)對全球溫室氣體排放總量的貢獻率為2%左右[1].實際上,數(shù)據(jù)中心的能耗成本與服務(wù)器數(shù)目以及資源利用狀況密切相關(guān),高能耗問題的主要原因是主機的資源利用率不均衡.因此,為了解決數(shù)據(jù)中心高能耗問題,研究人員利用虛擬機遷移技術(shù)實現(xiàn)數(shù)據(jù)中心各主機之間動態(tài)負(fù)載均衡,達到各主機的資源充分利用[2].虛擬機遷移技術(shù)即當(dāng)數(shù)據(jù)中心物理主機的負(fù)載值不在合理范圍時,需要將分配在該主機上虛擬機遷移到合適的主機上,通過該方法能夠?qū)崿F(xiàn)數(shù)據(jù)中心物理主機的動態(tài)負(fù)載均衡,使數(shù)據(jù)中心的資源可以合理利用,從而達到節(jié)能降耗的目的[3].但是,數(shù)據(jù)中心虛擬機遷移過程中,虛擬機遷移粒度較大,遷移時傳輸?shù)臄?shù)據(jù)量也大,因此,遷移開銷是不可忽略的.而數(shù)據(jù)中心負(fù)載量不斷動態(tài)變化的特殊環(huán)境會造成虛擬機因負(fù)載瞬時峰值而頻繁遷移,這將會產(chǎn)生一部分因虛擬機遷移而引發(fā)的能量損耗.因此,有必要對虛擬機遷移時機進行研究,避免物理主機瞬時過載而導(dǎo)致虛擬機頻繁遷移,以提高虛擬機遷移效率,在保證能耗降低的同時,盡量使得虛擬機的遷移次數(shù)達到最小.

當(dāng)前,虛擬機遷移技術(shù)在云數(shù)據(jù)中心高能耗問題上的應(yīng)用不斷改進與發(fā)展.文獻[4]采用基于閾值的方法來觸發(fā)虛擬機遷移,如果監(jiān)測到物理主機的負(fù)載值高于閾值,則進行虛擬機遷移,否則,不需要虛擬機遷移.文獻[5]提出一種基于時間序列的預(yù)測方法,通過分析當(dāng)前時間云資源負(fù)載值與下一時間預(yù)測值之間的變化關(guān)系,實現(xiàn)對云資源負(fù)載的動態(tài)調(diào)整,該方法通過資源調(diào)整來提高物理主機利用率.文獻[6]提出基于負(fù)載預(yù)測的動態(tài)虛擬機整合算法,通過預(yù)測物理主機的負(fù)載值來判斷物理主機是否處于過載或低載狀態(tài),進而觸發(fā)虛擬機的遷移.文獻[7]在CloudSim工具中根據(jù)歷史數(shù)據(jù),使用局部加權(quán)回歸 (the Local Regression,LR)法來預(yù)測未來時刻物理主機的資源負(fù)載狀態(tài).文獻[8]通過布朗指數(shù)平滑法預(yù)測下一時刻物理主機的負(fù)載值,進而判斷物理主機的負(fù)載狀態(tài),在一定程度上降低了數(shù)據(jù)中心能耗,但該方法所采用的平滑系數(shù)固定,難以適應(yīng)數(shù)據(jù)中心負(fù)載不斷動態(tài)變化的情況,可能造成預(yù)測精度不高,導(dǎo)致虛擬機無效遷移.

綜上所述,關(guān)于云計算服務(wù)器虛擬機遷移策略的研究大多使用基于閾值或基于預(yù)測的方法,存在以下普遍缺陷:簡單基于閾值的方法不具有靈活性;簡單基于預(yù)測的方法需要時刻進行負(fù)載值的監(jiān)測和預(yù)測,造成不必要的工作負(fù)載;由于數(shù)據(jù)中心瞬時的負(fù)載峰值,單一策略可能造成不必要的虛擬機遷移.文獻[8]采用的指數(shù)平滑預(yù)測方法是一種時間序列預(yù)測法,但其使用單一的平滑系數(shù),難以適應(yīng)數(shù)據(jù)中心這樣負(fù)載不斷變化的特殊環(huán)境.因此,本文提出一種基于改進指數(shù)平滑預(yù)測的虛擬機自適應(yīng)遷移策略DyESP (Dynamic Exponential Smoothing Prediction),該策略將閾值和預(yù)測相結(jié)合,通過連續(xù)判斷物理主機負(fù)載狀態(tài)來觸發(fā)預(yù)測機制,使預(yù)測算法采用動態(tài)平滑系數(shù),提高了預(yù)測精度,避免了因瞬時過載而導(dǎo)致的虛擬機無效遷移,從而提高了虛擬機遷移效率并降低能耗.

1 虛擬機自適應(yīng)遷移策略

1.1 相關(guān)定義

虛擬機遷移過程一般分為三部分,即虛擬機何時遷移,選擇合適的虛擬機遷移以及選擇合適的目的主機完成遷移,其中虛擬機何時遷移是完成遷移過程的第一步也是最關(guān)鍵的一步,合理的虛擬機遷移觸發(fā)方法能提高虛擬機的遷移效率,降低數(shù)據(jù)中心的能耗.在對虛擬機遷移觸發(fā)方法進行描述之前,需要對虛擬機遷移過程的相關(guān)影響因素做如下定義:

定義1.將數(shù)據(jù)中心物理主機所構(gòu)成的有限集合定義為H={h1,h2,h3,···,hn};將每臺物理主機hi上部署的虛擬機所構(gòu)成的有限集合定義為Vi={vi1,vi2,vi3,···,vim}[9].

定義2.虛擬機遷移過程中,當(dāng)物理主機符合遷出條件時,該物理主機稱作源主機,將所有源主機構(gòu)成的有限集合定義為D;當(dāng)物理主機符合遷入條件時,該物理主機稱作目的主機,將所有目的主機構(gòu)成的有限集合定義為O;當(dāng)物理主機既不符合遷出條件,也不符合遷入條件時,該物理主機稱為安全主機,將所有安全主機構(gòu)成的有限集合定義為S,因此,H=DUOUS[9].

1.2 遷移策略

依據(jù)上述定義,本文提出基于指數(shù)平滑預(yù)測的自適應(yīng)虛擬機遷移策略,該方法通過連續(xù)監(jiān)測判斷和自適應(yīng)預(yù)測兩部分來提高虛擬機遷移時機的準(zhǔn)確性.由于物理主機的負(fù)載值過高或過低都會造成數(shù)據(jù)中心能量損耗,并影響服務(wù)質(zhì)量,因此將監(jiān)測值劃分為過載,低載和安全值三種狀態(tài).過載表示為物理主機的負(fù)載值超過高閾值,此時需要依據(jù)歷史數(shù)據(jù)預(yù)測下一段時間的物理主機負(fù)載值;低載表示為物理主機的負(fù)載值低于低閾值,此時需要完成虛擬機的全部遷出并且關(guān)閉物理主機;安全值表示為物理主機的負(fù)載值處于高閾值和低閾值之間,此時不需要進行虛擬機遷移.本文選擇CPU利用率作為遷移觸發(fā)的主要影響因素,通過該方法能夠在一定程度上避免因瞬時峰值造成的虛擬機不必要遷移,提高虛擬機遷移效率.

(1)監(jiān)測.為了使虛擬機遷移觸發(fā)方法更適應(yīng)數(shù)據(jù)中心負(fù)載不斷變化的特殊環(huán)境,降低虛擬機無效遷移次數(shù),本文通過連續(xù)監(jiān)測4次物理主機的負(fù)載值來判斷其是否為待遷物理主機,若其連續(xù)監(jiān)測值高于高閾值且呈上升趨勢,則將該物理主機看作待遷移物理主機.文獻[4]研究表明,當(dāng)閾值過高時,由于數(shù)據(jù)中心物理主機持續(xù)高負(fù)載會產(chǎn)生大量能耗;當(dāng)閾值過低時,會造成虛擬機的頻繁遷移,同樣會產(chǎn)生由于頻繁遷移而帶來的大量能耗,所以選取 0.8 為閾值.因此,本文同樣將0.8作為遷移觸發(fā)閾值.

(2)自適應(yīng)預(yù)測機制.由于數(shù)據(jù)中心物理主機的負(fù)載值是動態(tài)變化的,連續(xù)監(jiān)測物理主機的負(fù)載值超過閾值且呈上升趨勢,并不代表下一時刻其負(fù)載值一定超過閾值,因此,本文采用連續(xù)10次物理主機的歷史負(fù)載值,通過改進指數(shù)平滑預(yù)測法對待遷移物理主機的下一時刻負(fù)載值進行自適應(yīng)預(yù)測.當(dāng)預(yù)測值超過閾值時,將該物理主機看作需要進行遷移的物理主機,否則繼續(xù)進行監(jiān)測.

該虛擬機遷移策略能判斷物理主機負(fù)載值的變化趨勢,并自適應(yīng)的預(yù)測物理主機下一時刻負(fù)載值,提高了預(yù)測精度,有效的避免了因主機負(fù)載的瞬時過載而導(dǎo)致虛擬機無效遷移,從而提高了虛擬機遷移的準(zhǔn)確性,減少了虛擬機無效遷移次數(shù),進而降低了數(shù)據(jù)中心能耗.該方法的流程圖如圖1所示.

圖1 觸發(fā)預(yù)測流程圖

2 自適應(yīng)預(yù)測機制

2.1 指數(shù)平滑預(yù)測法

二指數(shù)平滑法 ESP(Exponential Smoothing Prediction)是基于移動加權(quán)平均法來預(yù)測時間序列變化趨勢的方法,該方法為最近的觀測數(shù)據(jù)賦予較大的權(quán)值,給距離較遠的觀測值賦予較小的權(quán)值,以此預(yù)測下一時刻的值,適用于中短期趨勢預(yù)測[10].設(shè)遷移觸發(fā)過程中需要s個時間段,其序列定義為 〈t1,t2,t3,···,ts〉,其中每個時間段的物理主機負(fù)載檢測值定義為 〈y1,y2,y3,···,ys〉,因此,遷移觸發(fā)過程中的數(shù)據(jù)集合定義為:

一次指數(shù)平滑法的定義為:

一次指數(shù)平滑法雖然可以較好的預(yù)測趨勢變化明顯的情況,但具有較大的滯后性,因此,本文采用二次指數(shù)平滑預(yù)測法,其定義為:

二次指數(shù)平滑預(yù)測法需建立線性趨勢預(yù)測模型,其模型為:

其中,t表示當(dāng)前時間;T表示當(dāng)前時間t到未來時間t+T之間的時間段;表示第t+T時間段的預(yù)測值;αt為截距;bt為斜率.

在實際的操作中,需要連續(xù)檢測s次負(fù)載值,如果都超過閾值,并且負(fù)載值呈現(xiàn)上升趨勢,則進行預(yù)測,利用二次指數(shù)平滑預(yù)測法計算出截距αt和斜率bt,并利用式(7)進行預(yù)測,得到時間T的負(fù)載值.

二次指數(shù)平滑法能較好的預(yù)測負(fù)載的變化趨勢,對數(shù)據(jù)中心負(fù)載值的變化做出合理的判斷,如果預(yù)測值在合理的負(fù)載范圍內(nèi),則不需要進行虛擬機遷移,否則,需要進行虛擬機遷移.

2.2 自適應(yīng)預(yù)測機制

指數(shù)平滑法預(yù)測的過程中,平滑系數(shù)表示數(shù)據(jù)的變化趨勢.ESP方法中,平滑系數(shù)一經(jīng)確定便是一個常數(shù),難以跟蹤數(shù)據(jù)變化,導(dǎo)致降低了預(yù)測過程的適應(yīng)性.針對云數(shù)據(jù)中心負(fù)載不斷動態(tài)變化的特點,如果僅采用一個平滑系數(shù),難以適應(yīng)整體的變化過程,所以本文采用動態(tài)平滑系數(shù)對傳統(tǒng)模型進行修正[11].

采用動態(tài)平滑系數(shù)是指在預(yù)測的過程中能夠使平滑系數(shù)自適應(yīng)數(shù)據(jù)中心的特殊環(huán)境,隨實際數(shù)據(jù)的變化而變化.在傳統(tǒng)指數(shù)平滑預(yù)測模型中,平滑系數(shù)的選擇決定了預(yù)測精度的高低,當(dāng)檢測的數(shù)據(jù)呈水平趨勢時,平滑系數(shù)應(yīng)該選取0.1-0.3,當(dāng)檢測的數(shù)據(jù)呈持續(xù)上升或下降趨勢時,平滑系數(shù)則應(yīng)該選取0.3-0.5,當(dāng)波動較大時,應(yīng)選取 0.6-0.8[8],因此,當(dāng)數(shù)據(jù)的變化趨勢發(fā)生改變時,單一的平滑系數(shù)很難適應(yīng)預(yù)測需求.為了使預(yù)測方法能夠更好的適應(yīng)數(shù)據(jù)中心不斷動態(tài)變化的特殊情況,本文的自適應(yīng)預(yù)測機制采用動態(tài)平滑系數(shù),即在負(fù)載值預(yù)測的過程中,平滑系數(shù)隨著數(shù)據(jù)的變化而自動調(diào)整,能夠很好的適應(yīng)數(shù)據(jù)變化的真實情況,得到更精確的的預(yù)測結(jié)果.自適應(yīng)預(yù)測機制的具體過程為:

(1)確定實際數(shù)據(jù).將連續(xù)檢測到的T期物理主機歷史負(fù)載值作為預(yù)測機制的初始數(shù)據(jù).本文中使用10期歷史數(shù)據(jù)作為實際數(shù)據(jù).

(2)查找最優(yōu)的平滑系數(shù).通過迭代法查找最優(yōu)的平滑系數(shù),選取步長為0.0001對平滑系數(shù)進行迭代,而后利用二次指數(shù)平滑預(yù)測法求出T期數(shù)據(jù)的誤差平方和,依據(jù)誤差平方和最小原則獲得最優(yōu)的平滑系數(shù)σ,即:

式中,k表示平滑系數(shù),取值在0～1范圍內(nèi)以步長0.0001 迭代;表示當(dāng)平滑系數(shù)為k時第T期數(shù)據(jù)的預(yù)測值;xTk表示平滑系數(shù)為k時第T期數(shù)據(jù)的實際值;求出不同平滑系數(shù)對應(yīng)的T期數(shù)據(jù)的誤差平方和,并利用最小原則求出最小的誤差平方和,最小誤差平方和對應(yīng)的平滑系數(shù)即為最優(yōu)的平滑系數(shù).

(3)預(yù)測第T+1期的負(fù)載值.將步驟(2)獲得的最優(yōu)平滑系數(shù)帶入二次指數(shù)平滑預(yù)測法中進行預(yù)測,獲得T+1期的物理主機負(fù)載值.

(4)遷移觸發(fā).將步驟(3)獲得的預(yù)測值與閾值進行比較,當(dāng)預(yù)測值大于閾值時,說明該物理主機呈現(xiàn)持續(xù)過載狀態(tài),需要將該物理主機上合適的虛擬機遷移到適當(dāng)?shù)哪康闹鳈C上,使數(shù)據(jù)中心的各物理主機達到負(fù)載均衡;當(dāng)預(yù)測值小于閾值時,說明該物理主機只是處于短暫過載狀態(tài),下一時刻已經(jīng)不再處于過載狀態(tài),因此,不需要進行虛擬機遷移.

傳統(tǒng)二次指數(shù)平滑預(yù)測方法中初始值的選擇,當(dāng)數(shù)據(jù)量較小時,選取第一期的實際值作為初始值,當(dāng)數(shù)據(jù)量較大時,選取前三期的平均值作為初始值.本文將第一個時間段的實際值做為初始值進行預(yù)測.

3 實驗與結(jié)果分析

CloudSim云計算仿真平臺[12]是一個可擴展的仿真工具包,它支持云計算系統(tǒng)和應(yīng)用程序供應(yīng)環(huán)境的建模和模擬.為了驗證本文提出的動態(tài)指數(shù)平滑預(yù)測方法的有效性,利用CloudSim3.0版本對該方法進行仿真實驗,并與LR和ESP兩種預(yù)測方法進行實驗對比分析.其中,局部線性回歸法是對物理節(jié)點的歷史數(shù)據(jù)進行線性擬合,從而得到擬合曲線函數(shù),進而預(yù)測得出物理節(jié)點下一時間段的負(fù)載值.本文采用的評價指標(biāo)是數(shù)據(jù)中心能耗值和虛擬機遷移次數(shù).

通過CloudSim模擬了云數(shù)據(jù)中心,其中包括800臺物理主機,1052個虛擬機.物理主機由如表1兩種型號組成.為了使該實驗具有現(xiàn)實意義,采用來自COMON項目中監(jiān)測PlanetLab平臺在2011年3月3日這一天的CPU利用率數(shù)據(jù)作為數(shù)據(jù)中心物理主機實際負(fù)載值,該數(shù)據(jù)每5 min采集一次,在24 h內(nèi)共采集了288個樣本點.

表1 物理主機組成

在進行對比實驗之前,為了找出傳統(tǒng)二次指數(shù)平滑預(yù)測方法中預(yù)測精度最高的平滑系數(shù),本文從采集到的物理主機實際負(fù)載值中選取連續(xù)10期負(fù)載值作為實際值,分別使用平滑系數(shù)值為0.4、0.5、0.6、0.7和0.8進行預(yù)測分析,并計算得到相應(yīng)的標(biāo)準(zhǔn)方差值,如圖2所示,可以看出,當(dāng)平滑系數(shù)的取值是0.6時,所獲得的標(biāo)準(zhǔn)方差值較小,即預(yù)測精度較高.因此,采用平滑系數(shù)為0.6的ESP方法與本文的DyESP方法進行實驗對比分析.

如圖3所示,展現(xiàn)了當(dāng)實際數(shù)據(jù)取不同期數(shù)時,使用平滑系數(shù)為0.6的ESP方法得到的各期誤差和與使用本文的自適應(yīng)預(yù)測機制得到的各期誤差和的對比結(jié)果.由圖可知,使用自適應(yīng)預(yù)測機制所得出的誤差和比使用ESP方法所得出的誤差和小,說明使用自適應(yīng)預(yù)測機制精度更高.由圖得知,當(dāng)期數(shù)大于 10 期時,誤差和趨于穩(wěn)定,說明各期數(shù)據(jù)的誤差相對于低于10期時更小,精度更高.因此,本文采用 10 期的歷史負(fù)載值作為預(yù)測的實際值.

圖3 不用期數(shù)的誤差和對比

如圖4所示,展現(xiàn)了使用平滑系數(shù)為0.6的ESP方法得到的下一時刻預(yù)測值與實際值的誤差以及使用本文的自適應(yīng)預(yù)測機制得到下一時刻負(fù)載值與預(yù)測值的誤差對比.該實驗采用連續(xù)10期物理主機歷史負(fù)載值作為初始數(shù)據(jù),分別使用ESP方法和DyESP方法對其進行預(yù)測,將預(yù)測值與實際第11期數(shù)據(jù)進行比較,獲得誤差值.圖4由圖可知,使用自適應(yīng)預(yù)測機制得到的誤差比使用二次指數(shù)平滑預(yù)測法得到的誤差小,即預(yù)測的精度相對較高.

圖4 不同方法預(yù)測值與實際值誤差

如表2所示,是分別使用LR方法、ESP方法和本文提出的DyESP方法獲得的數(shù)據(jù)中心能耗值以及虛擬機遷移次數(shù)的實驗結(jié)果對比.結(jié)果表明,與LR和ESP相比,本文的DyESP方法在數(shù)據(jù)中心能耗方面分別降低約為34.26%、7.34%;虛擬機遷移次數(shù)方面分別降低約為80.99%、58.55%.

表2 實驗結(jié)果

圖5是數(shù)據(jù)中心能耗值隨時間變化的趨勢.該對比實驗分別對一天內(nèi)第 4 h、8 h、12 h、16 h 和 20 h的能耗值進行數(shù)據(jù)檢測記錄,從圖中能夠看出,相比LR和ESP方法,本文提出的DyESP方法在4 h和8 h時監(jiān)測到的數(shù)據(jù)中心能耗沒有明顯的降低,因為,此刻數(shù)據(jù)中心物理主機剛開始工作,處理任務(wù)時間較短,任務(wù)量較少,所產(chǎn)生的能耗沒有較大差距,但隨著時間的延長,物理主機處理的任務(wù)越來越多,各個物理主機的資源利用率越來越大,數(shù)據(jù)中心所產(chǎn)生的能耗量也越來越大,此時,采用不同預(yù)測算法所獲得的能耗值差距也在不斷增大,由圖3可以看出,本文的DyESP方法在降低能耗方面有較明顯的優(yōu)勢.

圖6是虛擬機的遷移次數(shù)隨時間變化的趨勢.該對比實驗同樣對一天內(nèi)第 4 h、8 h、12 h、16 h 和 20 h的能耗值進行數(shù)據(jù)檢測記錄,相比LR和ESP方法,本文提出的DyESP方法在4 h時檢測到虛擬機遷移次數(shù)下降趨勢不明顯,主要原因是數(shù)據(jù)中心物理主機一開始處理的任務(wù)量較少,資源占用率低,物理主機出現(xiàn)過載狀態(tài)較少,因此,需要進行虛擬機遷移的情況較少.但隨著時間推移,數(shù)據(jù)中心中各物理主機需要處理的任務(wù)量逐漸增加,物理主機的資源利用率開始不斷增加,使得物理主機出現(xiàn)過載狀態(tài)的情況越來越多因此,虛擬機遷移次數(shù)開始不斷增加,由圖6可以看出,采用不同預(yù)測算法所得到的虛擬機遷移次數(shù)的差距在不斷增大,由圖可知,本文的DyESP方法在降低虛擬機遷移次數(shù)方面有明顯的優(yōu)勢.

圖6 虛擬機遷移次數(shù)隨時間變化

圖7是數(shù)據(jù)中心在2011年3月3日這一天的平均違例率.違例率的大小展示了數(shù)據(jù)中心服務(wù)質(zhì)量的好壞,違例率越小,說明服務(wù)質(zhì)量越好;反之,服務(wù)質(zhì)量越差.由圖可知,DyESP方法相較于LR方法違例率有所提高,而與 ESP 方法相比,違例率有所下降.說明,本文提出的自適應(yīng)策略所提供的服務(wù)質(zhì)量比ESP方法高,但沒有LR方法提供的服務(wù)質(zhì)量高.結(jié)合圖5和圖6的結(jié)果可知,本文提出的方法在降低能耗和降低虛擬機遷移次數(shù)方面都有較明顯的優(yōu)勢,而在服務(wù)質(zhì)量方面的優(yōu)勢不足,這需要進一步的研究.

圖7 不同方法違例率對比

4 結(jié)論

本文提出一種基于指數(shù)平滑預(yù)測的虛擬機自適應(yīng)遷移策略,通過判斷s期主機負(fù)載值是否連續(xù)超過閾值并呈上升趨勢來觸發(fā)預(yù)測,然后根據(jù)連續(xù)n期歷史數(shù)據(jù)自適應(yīng)選擇平滑系數(shù)預(yù)測下一時刻的負(fù)載值,從而觸發(fā)虛擬機遷移,該方法將雙閾值和預(yù)測相結(jié)合,在一定程度上提高了預(yù)測精度,避免了因瞬時峰值而導(dǎo)致的虛擬機無效遷移.經(jīng)實驗表明,本文提出的DyESP方法在提高預(yù)測精度、降低虛擬機遷移次數(shù)以及降低數(shù)據(jù)中心能耗方面有較明顯的優(yōu)勢.下一步的工作是將本文提出的自適應(yīng)遷移策略進一步改進,使其在滿足數(shù)據(jù)中心能耗和虛擬機遷移次數(shù)都降低的同時,保證數(shù)據(jù)中心的服務(wù)質(zhì)量.