當(dāng)前云計算高速發(fā)展,作為云計算重要組成部分的云數(shù)據(jù)中心規(guī)模不斷擴(kuò)大,數(shù)據(jù)中心資源管理面臨高能耗和低利用率并存現(xiàn)象,造成嚴(yán)重的二氧化碳排放和資源浪費。數(shù)據(jù)中心具有高度的異構(gòu)性,尤其是負(fù)載任務(wù),其具有多樣性的資源和QoS需求的特點,對數(shù)據(jù)中心進(jìn)行合理的資源管理不僅有利于保證云服務(wù)商的收益和用戶的利益,也有利于保護(hù)生態(tài)環(huán)境,使云數(shù)據(jù)中心朝著可持續(xù)方向發(fā)展。本文在充分認(rèn)識數(shù)據(jù)中心異構(gòu)性的基礎(chǔ)上,對負(fù)載任務(wù)進(jìn)行分類分析,并提出數(shù)據(jù)中心基于任務(wù)分類的高能效資源配置策略(CBRAS),實現(xiàn)數(shù)據(jù)中心資源管理既降低能耗又保證QoS的高能效目標(biāo)。本文主要的研究工作如下:1.對負(fù)載任務(wù)進(jìn)行合理分類。當(dāng)前研究對數(shù)據(jù)中心的異構(gòu)性認(rèn)識不足,對數(shù)據(jù)中心綜合一個任務(wù)的幾個指標(biāo)參數(shù)的任務(wù)分類方法研究不夠,且對任務(wù)的分類大多關(guān)注于任務(wù)對CPU、內(nèi)存等資源的需求,忽略任務(wù)QoS的需求。為此,本文采用Kmeans算法對Google生產(chǎn)數(shù)據(jù)中心的負(fù)載任務(wù)跟蹤數(shù)據(jù)進(jìn)行了聚類分析,在分類過程中,本文既考慮任務(wù)資源的需求,又充分考慮任務(wù)優(yōu)先級、時延敏感度、持續(xù)時間這些反應(yīng)任務(wù)QoS需求的指標(biāo)。2.設(shè)計基于任務(wù)分類的資源配置方案(CBRAS)。當(dāng)前資源配置方案往往忽視數(shù)據(jù)中心普遍存在的異構(gòu)性,無法保證負(fù)載任務(wù)需求與配置資源之間的相容性,導(dǎo)致更高的能耗和QoS沖突。為此本文提出在任務(wù)分類的基礎(chǔ)上,根據(jù)任務(wù)類的需求差異,考慮資源的負(fù)載狀態(tài),有針對性地配置資源。將長短任務(wù)分開配置相應(yīng)資源,避免出現(xiàn)眾多長任務(wù)正處于執(zhí)行過程中而短任務(wù)已執(zhí)行完畢情況,而增加資源重配置的代價。將CPU和內(nèi)存需求有差異的任務(wù)均衡配置在同一資源隊列,提高空閑資源利用率,避免資源搶占現(xiàn)象。同時資源配置時保證高優(yōu)先級和高時延敏感度的任務(wù)類優(yōu)先執(zhí)行,另外通過靈活配置虛擬機(jī)資源來降低CPU運(yùn)行頻率,減少能耗。實現(xiàn)數(shù)據(jù)中心資源配置既降低能耗又保證QoS的高能效資源管理目標(biāo)。3.實驗驗證CBRAS策略。本文在CloudSim云模擬平臺中改寫代碼實現(xiàn)CBRAS資源配置策略,通過能耗、物理節(jié)點啟用數(shù)量、虛擬機(jī)的遷移次數(shù)和沖突次數(shù)等指標(biāo),在降低能耗和保證QoS兩方面驗證了基于任務(wù)分類的資源配置策略(CBRAS)的性能。實驗結(jié)果顯示與基于輪詢和MBFD算法的傳統(tǒng)資源配置策略相比,該策略有較好的表現(xiàn)。尤其隨著任務(wù)數(shù)的增多,優(yōu)勢更加明顯。
【學(xué)位單位】：重慶郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP3
【部分圖文】：

圖 2.3 任務(wù)性能(吞吐量)下降百分比 圖 2.4 物理節(jié)點的能耗物理節(jié)點的能耗隨著資源利用率的遞增呈“U”型曲線變化，當(dāng)CPU利用率70%，磁盤利用率 50%時，能耗最低且任務(wù)性能可以得到有效保證，文獻(xiàn)[23]將此狀態(tài)作為物理節(jié)點資源利用率的最佳結(jié)合點。虛擬資源分配后，如果物理節(jié)點為啟用狀態(tài)，則將其 CPU 利用率和磁盤利用率與最佳結(jié)合點的歐氏距離作為評價物理節(jié)點能效優(yōu)劣的能效因子。當(dāng)物理節(jié)點為空閑狀態(tài)，由于系統(tǒng)可進(jìn)一步將其調(diào)整為節(jié)能或者睡眠狀態(tài)，則能效因子設(shè)置為 0，忽略物理節(jié)點對能效的影響。使用所有物理節(jié)點的能效因子的總和來評價此時刻系統(tǒng)整體能效的優(yōu)劣。能效因子越小，物理節(jié)點或系統(tǒng)能效越好。物理節(jié)點和系統(tǒng)的能效因子用式(2.3)、(2.4)表示：2 200, 0( ) ( )cpu diskh hhcpu diskh cpubest h diskbestu uu u u u others (2.3)1nhh (2.4)

圖 2.3 任務(wù)性能(吞吐量)下降百分比 圖 2.4 物理節(jié)點的能耗物理節(jié)點的能耗隨著資源利用率的遞增呈“U”型曲線變化，當(dāng)CPU利用率70%，磁盤利用率 50%時，能耗最低且任務(wù)性能可以得到有效保證，文獻(xiàn)[23]將此狀態(tài)作為物理節(jié)點資源利用率的最佳結(jié)合點。虛擬資源分配后，如果物理節(jié)點為啟用狀態(tài)，則將其 CPU 利用率和磁盤利用率與最佳結(jié)合點的歐氏距離作為評價物理節(jié)點能效優(yōu)劣的能效因子。當(dāng)物理節(jié)點為空閑狀態(tài)，由于系統(tǒng)可進(jìn)一步將其調(diào)整為節(jié)能或者睡眠狀態(tài)，則能效因子設(shè)置為 0，忽略物理節(jié)點對能效的影響。使用所有物理節(jié)點的能效因子的總和來評價此時刻系統(tǒng)整體能效的優(yōu)劣。能效因子越小，物理節(jié)點或系統(tǒng)能效越好。物理節(jié)點和系統(tǒng)的能效因子用式(2.3)、(2.4)表示：2 200, 0( ) ( )cpu diskh hhcpu diskh cpubest h diskbestu uu u u u others (2.3)1nhh (2.4)

重慶郵電大學(xué)碩士學(xué)位論文 第 3 章 數(shù)據(jù)中心任務(wù)分類及分析K=10 時，D 值下降的百分比減少至 9%，表明 D 值下降變得緩慢，簇邊界已經(jīng)基本明確，所以在 K=10 時終止。
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 魏赟;陳元元;;基于改進(jìn)蟻群算法的云計算任務(wù)調(diào)度模型[J];計算機(jī)工程;2015年02期

2 李鴻健;代宇;劉銳;蔣溢;;云數(shù)據(jù)中心高能效的虛擬機(jī)遷移整合算法研究[J];電信科學(xué);2015年01期

3 張彬橋;;云環(huán)境下計算資源調(diào)度策略與仿真研究[J];計算機(jī)仿真;2013年11期

4 王健宗;諶炎俊;謝長生;;面向云存儲的I/O資源效用優(yōu)化調(diào)度算法研究[J];計算機(jī)研究與發(fā)展;2013年08期

5 文仁強(qiáng);鐘少波;袁宏永;黃全義;;應(yīng)急資源多目標(biāo)優(yōu)化調(diào)度模型與多蟻群優(yōu)化算法研究[J];計算機(jī)研究與發(fā)展;2013年07期

6 魏國強(qiáng);余超;;帶模糊參數(shù)的戰(zhàn)時緊缺資源調(diào)度模型[J];計算機(jī)工程與應(yīng)用;2013年12期

7 查英華;楊靜麗;;改進(jìn)蟻群算法在云計算任務(wù)調(diào)度中的應(yīng)用[J];計算機(jī)工程與設(shè)計;2013年05期

8 魏祥麟;陳鳴;范建華;張國敏;盧紫毅;;數(shù)據(jù)中心網(wǎng)絡(luò)的體系結(jié)構(gòu)[J];軟件學(xué)報;2013年02期

9 劉撿平;黃勇;周西柳;;云計算科技服務(wù)系統(tǒng)平臺設(shè)計研究[J];科技通報;2012年10期

10 錢瓊芬;李春林;張小慶;李臘元;;云數(shù)據(jù)中心虛擬資源管理研究綜述[J];計算機(jī)應(yīng)用研究;2012年07期

相關(guān)博士學(xué)位論文 前1條

1 左利云;云計算中基于任務(wù)特性和資源約束的調(diào)度方法研究[D];華南理工大學(xué);2016年

本文編號：2881569